强度预测怎么做才准？三个阶段对应三种数据量

强度预测是配比软件的核心能力，也是各家的差距所在。

难点在于：新站没数据，老站数据多，用同一套模型都算不准。

砼睿AI 的做法是分三段，按数据量自动切换模型：

• 少于 20 条：鲍罗米经验模型
• 20-99 条：本地最小二乘回归
• 100 条以上：残差高斯过程

一、第一阶段：冷启动（<20 条）

用什么

鲍罗米（Bolomey）公式，JGJ55 的标准路径：

fcu = A × fc × (C/W − B)

为什么这么选

新站没有试配数据，只能用经验模型起步。好处是：

• 有规范依据，可解释
• 冷启动就能给出合格输出
• 不需要数据积累

局限

• 用的是通用系数，不反映本站料源特性
• 预测精度一般（误差 ±10%-15%）
• 富余必须留足

这个阶段的策略是"保守可用"，不是"精准"。

二、第二阶段：本地回归（20-99 条）

用什么

用本站的试配数据做最小二乘回归，拟合出适合自己料源的系数。

为什么 20 条

• 少于 20 条，回归系数不稳定（容易被个别异常值带偏）
• 20 条以上，趋势开始显现
• 这是统计上的经验门槛，不是硬规定

改善了什么

• 系数从"行业通用"变成"本站实测"
• 能反映本地的骨料岩性、水泥活性
• 误差可降到 ±8%-10%

这时候配比才算真正"贴合本站"。

三、第三阶段：高斯过程（≥100 条）

用什么

残差高斯过程（Gaussian Process）——一种能给出预测值 + 不确定度的模型。

关键差别：给不确定度

普通回归只给一个数："28 天强度 34.5 MPa"。

高斯过程给的是："34.5 MPa，置信区间 ±1.8 MPa"。

这个差别在工程上很重要：

• 不确定度小 → 富余可以收窄
• 不确定度大 → 富余要留足

富余不再是拍脑袋定的，而是算出来的。

为什么是"残差"

不是直接用高斯过程拟合强度，而是先用物理模型算出基础预测，再用高斯过程拟合"物理模型算错的那部分"。

好处：保留了物理模型的可解释性，又用数据修正了偏差。

这是"物理模型 + 机器学习"的典型组合，比纯黑箱模型更可靠。

四、三个阶段对商混站意味着什么

意义一：新站第一天就能用

不用担心"没数据用不了"。经验模型先顶着，边用边积累。

意义二：老站越用越准

数据攒到 100 条以上，模型开始给不确定度，富余可以科学收窄。

这就是数据积累的商业价值——不是"数据好看"，是"数据能换成钱"。

意义三：换料不归零

料源变了，历史数据按相似度降权，而不是清零。模型平滑过渡，不会断崖式退化。

五、一个诚实的边界

三阶段架构能提升精度，但有前提：

• 数据要真实：试块数据造假，模型学到的就是错的
• 数据要完整：只有 28 天强度、没有配比和材料信息，回归做不了
• 数据要成体系：不同标号、不同季节都要有，否则模型只在"见过的工况"里准

数据质量决定模型上限，架构只决定能不能接近上限。

六、怎么判断一套软件的强度预测靠不靠谱

三个测试：

1. 反算已知配比：拿一组你试过的配比，让软件预测，看偏差
2. 问不确定度：能不能给出置信区间？只给单值的，说明模型比较简单
3. 问换料处理：换料后历史数据是清零还是降权？

三个问题问完，水平大致就清楚了。

问：100 条数据要攒多久？

按每月 10-15 组试块算，半年到一年。如果标号多、频次高，会更快。

问：高斯过程难不难理解？

不用深究数学。关键是知道它给"预测值 + 不确定度"，而不只是"一个数"。

问：数据少的时候怎么保证合格率？

靠留足富余。经验模型的误差大，富余就要大。等数据积累起来再逐步收窄。