研究人员开发了一种基于机器学习的方法，以准确预测用工业废物制成的混凝土的抗压强度，从而提供了更快，更有效的替代传统实验室测试。
随着建筑业希望减少环境足迹，一种获得势头的一种策略是用工业副产品（例如粉煤灰，metakaolin和地面颗粒状的喷火炉炉灶（GGBFS））代替一部分水泥。这些替代物可以降低CO2排放和保存自然资源，但是了解它们如何影响具体的力量通常需要昂贵，耗时的实验室工作。
混凝土的抗压强度取决于复杂的因素组合，包括材料类型，比率和固化条件。尽管存在经验模型，但在捕获变量之间的非线性相互作用时，它们通常会缺乏。这就是机器学习（ML）脱颖而出的地方，提供了从数据和发现的关系中学习的能力，这些关系很容易以传统方程式建模。
研究做了什么
为了探索这一潜力，研究人员使用了五种ML算法来预测融合工业废物的混凝土的抗压强度。这些模型包括极端梯度提升（XGB），轻度梯度提升（LGB），决策树（DT）以及使用堆叠技术开发的两种集合方法（XGB-DT和XGB-LGB）。
他们使用了9个关键输入变量，例如水泥含量，用水，超级塑料剂量以及包括各种SCM的数据集，这些模型训练了从先前研究中绘制的430个样本的数据集培训。用Scikit-Learn的GridSearchCV优化了超参数，以提高准确性。
使用通用指标验证了性能：平均绝对误差（MAE），均方根误差（RMSE），确定系数（R2），以及平均绝对百分比误差（MAPE）。研究人员还应用了沙普利添加剂解释（SHAP）和部分依赖图（PDP）来解释每个输入如何影响预测。
关键发现
所有五个ML模型都表现出色，R2值高于0.89，在预测抗压强度方面显示高可靠性。合奏模型特别有效，通过缩小训练和测试性能之间的差距来帮助减少过度拟合。
在各个模型中，决策树提供了最好的独立性能，但是混合XGB-LGB模型总体上提供了最平衡，最准确的结果。
Shap分析表明，粗骨料对抗压强度的影响最高，其次是超级增塑剂含量，水，水泥和GGBF。在SCM中，GGBFS在粉煤灰（FA），Metakaolin（MK）和Silica Fume（SF）中也扮演着有意义的角色，为增强力量提高做出了最大的贡献。PDP结果支持这些发现，表明GGBFS在改善微结构刚度方面特别有效。
其他洞察力包括水的比率和粘合剂组成在增强对氯化物渗透性的耐药性方面的重要性。发现最佳耐用性范围是以0.30 0.35和15％用MK替换水泥的水比。
为什么重要
这项研究强调了机器学习对加快材料评估的潜力可持续建筑。通过可靠地预测基于废物的混凝土的性能，这些工具可以减少对物理测试的需求，并加速在现实世界中的工作现场使用低碳替代方案。
也就是说，可以通过纳入诸如温度，化学成分以及对腐蚀或酸性攻击因子等变量，从而进一步加强未来的模型，这些变量也会影响长期性能。
期刊参考
Uddin，Md。A。等。（2025）。使用混合机学习建模和参数分析预测工业废物的机械性能。 科学报告，一个 15（1）。doi：10.1038/s41598-025-11601-x。https://www.nature.com/articles/s41598-025-11601-x
免责声明：此处表达的观点是以其私人身份表达的作者的观点，不一定代表AZOM.com的观点有限的T/A Azonetwork本网站的所有者和运营商。此免责声明构成了条款和条件使用此网站。