利用响应面法和反向传播神经网络耦合方法，对再生细骨料地聚合物基灌关材料进行多目标优化产品系统

在土木材料科研领域，小样本试验数据普遍存在模型预测精度低、仿真复现难度大的问题；高校课题组、材料研发人员需要借助响应面法、BP人工神经网络完成强度预测与配合比优化。现有商用软件操作繁琐，自研代码门槛高，本项目针对混凝土试验数据搭建轻量化智能预测工具，解决小样本拟合、多目标优化、数据增强的工程科研需求，覆盖论文复现、试验参数寻优、结果可视化等科研场景。

1. 数据处理模块：支持Excel试验数据导入、异常值清洗、数据集划分，搭配RSM响应面法生成虚拟样本实现小样本数据增强；

2. 建模预测模块：搭建BP-ANN神经网络模型，可自定义隐藏层神经元数量，完成材料抗压强度等指标回归预测，输出R²精度评价指标；

3. 多目标优化模块：基于响应面模型开展配合比参数优化，约束工艺区间并输出最优配比方案；

4. 可视化输出模块：自动生成预测-实测对比图、3D响应面曲面图，导出可直接用于SCI论文的高清图表；

5. 代码兼容模块：提供Python与MATLAB双版本运行脚本，可对接Design Expert、ANSYS仿真结果联动计算。

本人独立完成全部需求分析、代码编写、模型调优与可视化开发工作；技术栈采用Python（Pandas、Scikit-learn、Matplotlib）与MATLAB联合开发，兼容Design Expert数据格式。难点在于小样本下神经网络过拟合抑制，通过RSM虚拟样本增强算法提升模型泛化能力；亮点是实现双语言脚本互通、一键生成论文级响应面与预测对比图，自动完成多目标约束优化计算。