Генеративное увеличение данных, объяснимое машинное обучение и анализ неопределённости для прогнозирования прочности сжатия устойчивого UHPC

🧪 В статье рассматривается задача прогнозирования прочности на сжатие устойчивого UHPC — сверхвысокопрочного бетона — с помощью методов машинного обучения. В фокусе не только сама модель, но и качество обучающих данных: авторы используют генеративное увеличение выборки, в том числе подходы на базе автоэнкодера, чтобы снизить дефицит экспериментальных данных. Научная новизна — связка трех компонентов в одной схеме: генерация дополнительных данных, объяснимое машинное обучение и анализ неопределенности прогноза. Это важно для материаловедения в строительстве: модель должна не просто выдавать значение прочности, но и показывать, какие параметры смеси влияют на результат и насколько надежен прогноз. Ограничение очевидно: по описанию нельзя оценить применимость модели за пределами использованных составов UHPC и лабораторных условий. Для практики потребуется внешняя валидация на независимых наборах данных и реальных производственных смесях.