基于机器学习的粉煤灰活性分类预测

针对粉煤灰活性快速分类问题，基于随机森林融合数据集分析、参数调整等方法，建立粉煤灰(CFA)活性智能分类模型。利用准确率、召回率、精确率和ROC曲线下面积SAUC这4种评估指标对模型进行评估。此外，使用特征重要性、部分依赖图(PDP)和机器学习解释(SHAP)模型3种方法来衡量特征物质的贡献。研究结果表明：模型的准确率为85.45%，召回率为97.56%，精确率为84.29%,SAUC为0.92。K₂O、Fe₂O₃、Na₂O和Al₂O₃对SHAP模型影响较大。随着K₂O、Na₂O等特征物质占比增加，粉煤灰呈现高活性的概率增加；而随着Al₂O₃等特征物质占比增加，粉煤灰呈现高活性的概率降低。所建立的模型可快速划分粉煤灰活性并判断其是否具有作为辅助胶凝材料的潜力。