混凝土是土木工程中应用最为广泛的一种材料。在实际工程中,混凝土徐变对于各类结构的耐久性能有着至关重要的影响。从混凝土徐变开始受到关注至今,已经有大量的试验研究被全世界各地的学者完成并将试验数据收集成库。然而目前采用的混凝土徐变模型对于大量的试验数据而言,预测结果并不理想,基于传统的拟合回归徐变模型在大数据集情况下预测效果有待改善。本文采用机器学习的方法对数据库中大量的混凝土徐变数据进行分析,主要内容有以下几个方面:(1)使用混凝土徐变数据库中大量的试验数据,对现行混凝土徐变预测模型(包括MC2010,ACI-209,GL2000,B3,B4)的预测效果进行了包括预测值域分布范围、预测精度和误差分布的对比分析。在此基础上,采用网格搜索法对上述混凝土徐变预测模型进行了参数修正,各模型修正后的拟合效果均有不同幅度的提高,修正后最高拟合决定系数为0.688。(2)将徐变数据库中的试验数据进行整理,整理后的数据集按3:1的比例分为训练集和测试集,基于训练集建立了全连接神经网络混凝土徐变预测模型和支持向量回归混凝土徐变预测模型,并在测试集上对两种机器学习的混凝土徐变预测模型进行了验证。基于机器学习的混凝土徐变预测模型的拟合决定系数能够达到0.8以上。(3)采用最大信息相关分析方法,对混凝土徐变影响参数与混凝土徐变之间的相关性进行了计算,得出基于互信息的混凝土徐变影响参数与徐变的相关性排序。然后结合以上提出的混凝土机器学习徐变模型,采用全局敏感性分析方法对混凝土徐变影响参数的敏感性进行了分析。并将混凝土徐变敏感度分为独立敏感度和相关敏感度,结合相关性分析,选出了混凝土徐变重要参数。(4)使用混凝土徐变数据库中的数据,以混凝土徐变重要参数作为输入参数,结合分数阶粘弹性流变模型,采用进化算法对混凝土徐变训练集数据进行符号回归,建立了基于大数据集的混凝土徐变模型。采用测试集数据对模型进行验证,其拟合确定系数能够达到0.75以上。区别于全连接神经网络模型和支持向量回归模型,基于进化算法的符号回归模型有明确的表达公式。为了区分,本文将全连接神经网络模型和支持向量回归模型等统称为隐式模型,将有明确公式表达的模型称为显式模型。最后,考虑输入参数之间的相关性,采用拉丁超立方抽样方法,对混凝土徐变显式模型在不同服役条件下的预测效果进行了不确定性分析,为实际情况使用给出了推荐。