Full-Age Prediction and Interpretability Study of Concrete Compressive Strength Based on Machine Learning

doi:10.16552/j.cnki.issn1001-1625.2026.0229

Abstract

Abstract:

To address the problems of a long testing period， high cost， and difficulty in achieving full-process monitoring in the traditional determination of concrete compressive strength， this study developed a full-age prediction model for concrete compressive strength based on 1 250 sets of test data using four learning algorithms， namely random forest （RF）， eXtreme Gradient Boosting （XGBoost）， light gradient boosting machine （LightGBM）， and categorical boosting （CatBoost）. Combined with SHapley Additive exPlanations （SHAP） interpretability analysis， the influencing mechanism of concrete strength was revealed. The results show that the CatBoost model exhibits the optimal comprehensive performance， with a coefficient of determination R² of 0.96， a root mean square error （RMSE） of 3.29 MPa， and a mean absolute error （MAE） of 2.25 MPa for the full dataset. It also maintains a stable predictive capability across all stages including the early age （≤7 d）， medium age （14 d to 28 d）， and late age （>28 d）. XGBoost achieves the best performance in the fly ash-free system （R²=0.98）， while CatBoost has the strongest adaptability in the ground granulated blast furnace slag-free system （R²=0.95）. SHAP analysis verifies the core effects of the water-binder ratio law and pozzolanic effect， identifies age， cement content， and water content as the key influencing factors， with the water content of 170 kg/m³ to 180 kg/m³ being the strength inflection point. This study can provide a scientific basis for the optimization of concrete mix proportion and on-site rapid quality assessment， and has important engineering application value.

Key words: concrete compressive strength, machine learning model, CatBoost, SHAP interpretation, age stage division

CLC Number:

TU528

LI Shuo, QIN Yanhui, LI Meng’en, MA Haoyuan, YIN Jinshuai, ZHENG Lulu, DENG Suwen. Full-Age Prediction and Interpretability Study of Concrete Compressive Strength Based on Machine Learning[J]. BULLETIN OF THE CHINESE CERAMIC SOCIETY, 2026, 45(9): 3070-3082.

Figures/Tables 8

References 28

[1]	金伟良，赵羽习. 混凝土结构耐久性研究的回顾与展望［J］. 浙江大学学报（工学版）， 2002， 36（4）： 371-380+403.
	JIN W L， ZHAO Y X. State-of-the-art on durability of concrete structures［J］. Journal of Zhejiang University （Engineering Science）， 2002， 36（4）： 371-380+403 （in Chinese）.
[2]	LIU J， ZHANG B D， LI Y， et al. Modeling and analysis of fiber-reinforced high-performance concrete strength prediction based on nonlinear programming［J］. Construction and Building Materials， 2022， 322： 126421. DOI URL
[3]	严久鑫. 混凝土强度快速发展的影响机制研究［D］. 徐州：中国矿业大学， 2021.
	YAN J X. Research on influence mechanism of strength development of fast-strength concrete［D］. Xuzhou： China University of Mining and Technology， 2021 （in Chinese）.
[4]	余晗之，周理安，刘　宇，等. 基于砂浆膜厚度的GA-BP神经网络混凝土抗压强度预测研究［J］. 硅酸盐通报， 2026， 45（2）： 437-448.
	YU H Z， ZHOU L A， LIU Y， et al. Prediction of concrete compressive strength by GA-BP neural network based on mortar film thickness［J］. Bulletin of the Chinese Ceramic Society， 2026， 45（2）： 437-448 （in Chinese）.
[5]	LI J Q， WU Z M， SHI C J， et al. Durability of ultra-high performance concrete： a review［J］. Construction and Building Materials， 2020， 255： 119296. DOI URL
[6]	余　睿，陈飞翔，范定强，等. 基于机器学习技术的超高性能混凝土性能预测与精细化设计［J］. 硅酸盐学报， 2025， 53（5）： 1165-1176.
	YU R， CHEN F X， FAN D Q， et al. Machine learning-based performance prediction and precision design of ultra-high performance concrete［J］. Journal of the Chinese Ceramic Society， 2025， 53（5）： 1165-1176 （in Chinese）.
[7]	刘　晓，王思迈，卢　磊，等. 机器学习预测混凝土材料耐久性的研究进展［J］. 硅酸盐学报， 2023， 51（8）： 2062-2073.
	LIU X， WANG S M， LU L， et al. Development on machine learning for durability prediction of concrete materials［J］. Journal of the Chinese Ceramic Society， 2023， 51（8）： 2062-2073 （in Chinese）.
[8]	苏　强，胡以婵. 基于RF算法的混凝土工作性能预测方法研究［J］. 价值工程， 2025， 44（12）： 43-45.
	SU Q， HU Y C. Research on concrete workability prediction method based on RF algorithm［J］. Value Engineering， 2025， 44（12）： 43-45 （in Chinese）.
[9]	CHUN P J， UJIKE I， MISHIMA K， et al. Random forest-based evaluation technique for internal damage in reinforced concrete featuring multiple nondestructive testing results［J］. Construction and Building Materials， 2020， 253： 119238. DOI URL
[10]	朱文邦，郑秀梅，杨增增，等. 基于遗传算法优化BP神经网络的沙漠砂混凝土强度预测［J］. 混凝土， 2024（5）： 48-51+56.
	ZHU W B， ZHENG X M， YANG Z Z， et al. Strength prediction of desert sand concrete based on genetic algorithm optimized BP neural network［J］. Concrete， 2024（5）： 48-51+56 （in Chinese）.
[11]	徐潇航，胡张莉，刘加平，等. 基于机器学习回归模型的三峡大坝混凝土强度预测［J］. 材料导报， 2023， 37（2）： 41-49.
	XU X H， HU Z L， LIU J P， et al. Concrete strength prediction of the Three Gorges Dam based on machine learning regression model［J］. Materials Reports， 2023， 37（2）： 41-49 （in Chinese）.
[12]	章伟琪，王辉明. 混凝土抗压强度的可解释深度学习预测模型［J］. 东北大学学报（自然科学版）， 2024， 45（5）： 738-744+752.
	ZHANG W Q， WANG H M. Interpretable deep learning prediction model for compressive strength of concrete［J］. Journal of Northeastern University （Natural Science）， 2024， 45（5）： 738-744+752 （in Chinese）.
[13]	ASADI SHAMSABADI E， ROSHAN N， HADIGHEH SALI， et al. Machine learning-based compressive strength modelling of concrete incorporating waste marble powder［J］. Construction and Building Materials， 2022， 324： 126592. DOI URL
[14]	KANG M C， YOO D Y， GUPTA R. Machine learning-based prediction for compressive and flexural strengths of steel fiber-reinforced concrete［J］. Construction and Building Materials， 2021， 266： 121117. DOI URL
[15]	曹　源. 基于贝叶斯优化的CatBoost模型在混凝土抗压强度预测中的研究［J］. 混凝土， 2025（7）： 87-94.
	CAO Y. Investigation into the prediction of concrete compressive strength using a Bayesian-optimized CatBoost model［J］. Concrete， 2025（7）： 87-94 （in Chinese）.
[16]	薛　飞. 基于SMOTE-XGBoost算法的混凝土强度预测［J］. 混凝土与水泥制品， 2024（8）： 32-36.
	XUE F. Prediction of strength of concrete based on SMOTE-XGBoost algorithm［J］. China Concrete and Cement Products， 2024（8）： 32-36 （in Chinese）.
[17]	张　健. 具有异常值检测功能的基于LightGBM模型的混凝土坍落度回归预测方法［J］. 城市建设理论研究（电子版）， 2025（15）： 52-54.
	ZHANG J. A LightGBM-based concrete slump regression prediction method with outlier detection function［J］. Theoretical Research in Urban Construction， 2025（15）： 52-54 （in Chinese）.
[18]	覃　源，薛　存，李　遥，等. 盐冻耦合作用下水工混凝土耐久性及寿命预测［J］. 水力发电学报， 2024， 43（2）： 110-122.
	QIN Y， XUE C， LI Y， et al. Durability and lifespan predictions of hydraulic concrete under salt freezing coupling effect［J］. Journal of Hydroelectric Engineering， 2024， 43（2）： 110-122 （in Chinese）.
[19]	刘聪林，李　盛，崔晓宁，等. 融合XGBoost和SHAP的混凝土抗压强度预测分析模型［J］. 水利水电技术（中英文）， 2025， 56（2）： 246-258.
	LIU C L， LI S， CUI X N， et al. Prediction and analysis of concrete compressive strength based on XGBoost and SHAP［J］. Water Resources and Hydropower Engineering， 2025， 56（2）： 246-258 （in Chinese）.
[20]	PARUTHI S， VERMA R， SHARMA N， et al. Ensemble machine learning models for predicting strength of concrete with foundry sand and coal bottom ash as fine aggregate replacements［J］. Scientific Reports， 2025， 15： 38331. DOI
[21]	程　琳，袁喜娜，马春辉，等. 基于可解释机器学习的混凝土重力坝变形安全监控模型［J］. 水利水电科技进展， 2025， 45（3）： 77-85.
	CHENG L， YUAN X N， MA C H， et al. Deformation safety monitoring model of concrete gravity dam based on interpretable machine learning［J］. Advances in Science and Technology of Water Resources， 2025， 45（3）： 77-85 （in Chinese）.
[22]	康天蓓，梁　玉，梁意博，等. 基于多机器学习模型的再生混凝土抗盐冻性能预测［J］. 材料导报， 2025， 39（19）： 104-114.
	KANG T B， LIANG Y， LIANG Y B， et al. Prediction of salt-freeze resistance of recycled aggregate concrete based on multiple machine learning models［J］. Materials Reports， 2025， 39（19）： 104-114 （in Chinese）.
[23]	BREIMAN L. Random forests［J］. Machine Learning， 2001， 45（1）： 5-32. DOI
[24]	CHEN T Q， GUESTRIN C. XGBoost： a scalable tree boosting system［C］// Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. San Francisco California USA. ACM， 2016： 785-794.
[25]	KE G L， MENG Q， FINLEY T， et al. LightGBM： a highly efficient gradient boosting decision tree［C］// NIPS’17： Proceedings of the 31st International Conference on Neural Information Processing Systems， December 4-9， 2017， Long Beach， California， USA. New York： Curran Associates Inc.， 2017： 3149-3157.
[26]	PROKHORENKOVA L， GUSEV G， VOROBEV A， et al. CatBoost： unbiased boosting with categorical features［C］// NIPS’18： Proceedings of the 32nd International Conference on Neural Information Processing Systems， December 3-8， 2018， Montréal， Canada. New York： Curran Associates Inc.， 2018： 6639-6649.
[27]	LUNDBERG S M， LEE S I. A unified approach to interpreting model predictions［C］// Proceedings of the 31st International Conference on Neural Information Processing Systems. ACM， 2017： 4768-4777.
[28]	YEH I C. Modeling of strength of high-performance concrete using artificial neural networks［J］. Cement and Concrete Research， 1998， 28（12）： 1797-1808. DOI URL

Indicator		Mean	Standard value	Minimum	First quartile	Median	Third quartile	Maximum
Input variable	Cement content/（kg·m^-3）	281.91	102.96	89.00	197.50	271.00	355.68	540.00
	Slag content/（kg·m^-3）	72.63	85.60	0	0	26.00	135.70	359.40
	Fly ash content/（kg·m^-3）	50.21	60.64	0	0	0	106.98	200.10
	Water content/（kg·m^-3）	178.00	25.06	75.10	160.60	181.71	192.94	247.00
	Plasticizer content/（kg·m^-3）	5.75	5.81	0	0	5.40	9.61	40.00
	Coarse aggregate content/（kg·m^-3）	998.12	103.13	801.00	936.00	998.00	1 056.00	1 477.30
	Fine aggregate content/（kg·m^-3）	764.48	88.71	389.50	720.00	772.10	821.00	992.60
	Curing age/d	42.16	59.17	1.00	7.00	28.00	49.50	365.00
Output variable	Compressive strength/MPa	37.04	16.44	2.33	24.80	36.53	47.81	82.60

Indicator		Mean	Standard value	Minimum	First quartile	Median	Third quartile	Maximum
Input variable	Cement content/（kg·m^-3）	281.91	102.96	89.00	197.50	271.00	355.68	540.00
	Slag content/（kg·m^-3）	72.63	85.60	0	0	26.00	135.70	359.40
	Fly ash content/（kg·m^-3）	50.21	60.64	0	0	0	106.98	200.10
	Water content/（kg·m^-3）	178.00	25.06	75.10	160.60	181.71	192.94	247.00
	Plasticizer content/（kg·m^-3）	5.75	5.81	0	0	5.40	9.61	40.00
	Coarse aggregate content/（kg·m^-3）	998.12	103.13	801.00	936.00	998.00	1 056.00	1 477.30
	Fine aggregate content/（kg·m^-3）	764.48	88.71	389.50	720.00	772.10	821.00	992.60
	Curing age/d	42.16	59.17	1.00	7.00	28.00	49.50	365.00
Output variable	Compressive strength/MPa	37.04	16.44	2.33	24.80	36.53	47.81	82.60

Model	Parameter	Optimal parameter
LightGBM	Learning_rate	0.2
	N_estimators	1 000
	Max_depth	6
	Num_leaves	127
	Min_child_samples	30
	Subsample	0.9
	Colsample_bytree	0.9
	Reg_alpha	1
	Reg_lambda	0.5
	N_jobs	1
XGBoost	Learning_rate	0.1
	N_estimators	10 000
	Max_depth	3
	Min_child_weight	1
	Subsample	0.9
	Colsample_bytree	0.6
	Gamma	0.1
	Reg_alpha	0
	Reg_lambda	3
CatBoost	Learning_rate	0.15
	Iterations	1 000
	Depth	3
	L2_leaf_reg	1
	Border_count	128
	Random_strength	2
	Bagging_temperature	2
RF	N_estimators	200
	Max_depth	10
	Min_samples_split	5
	Min_samples_leaf	1
	Max_features	0.7
	Bootstrap	False

Model	Parameter	Optimal parameter
LightGBM	Learning_rate	0.2
	N_estimators	1 000
	Max_depth	6
	Num_leaves	127
	Min_child_samples	30
	Subsample	0.9
	Colsample_bytree	0.9
	Reg_alpha	1
	Reg_lambda	0.5
	N_jobs	1
XGBoost	Learning_rate	0.1
	N_estimators	10 000
	Max_depth	3
	Min_child_weight	1
	Subsample	0.9
	Colsample_bytree	0.6
	Gamma	0.1
	Reg_alpha	0
	Reg_lambda	3
CatBoost	Learning_rate	0.15
	Iterations	1 000
	Depth	3
	L2_leaf_reg	1
	Border_count	128
	Random_strength	2
	Bagging_temperature	2
RF	N_estimators	200
	Max_depth	10
	Min_samples_split	5
	Min_samples_leaf	1
	Max_features	0.7
	Bootstrap	False

Group	Indicator	Model
Group	Indicator	RF	XGBoost	LightGBM	CatBoost
Full dataset	R²	0.93	0.95	0.95	0.96
	RMSE/MPa	4.55	3.58	3.58	3.29
	MAE/MPa	3.19	2.34	2.48	2.25
No fly ash	R²	0.95	0.98	0.98	0.93
	RMSE/MPa	3.71	2.52	2.79	4.44
	MAE/MPa	2.79	1.76	1.94	2.70
No slag	R²	0.92	0.91	0.89	0.95
	RMSE/MPa	4.69	4.21	4.71	3.39
	MAE/MPa	3.15	2.70	2.98	2.30
Early age	R²	0.78	0.86	0.87	0.92
	RMSE/MPa	6.75	5.48	5.34	3.47
	MAE/MPa	4.56	3.25	3.33	2.51
Medium age	R²	0.73	0.82	0.83	0.87
	RMSE/MPa	7.31	5.99	5.93	5.35
	MAE/MPa	4.89	4.14	4.02	3.89
Late age	R²	0.88	0.93	0.92	0.93
	RMSE/MPa	4.10	3.54	3.64	2.90
	MAE/MPa	3.09	2.32	2.46	2.23