基于机器学习和NSGA-Ⅱ算法的纤维增强地质聚合物用于土壤稳定化的可持续动态多目标优化框架

《Journal of Cleaner Production》：Sustainable dynamic multi-objective optimization framework of fiber-reinforced geopolymer for soils stabilization based on machine learning and NSGA-Ⅱ algorithm

纤维增强地质聚合物土壤（FRGSS）的可持续多目标优化框架研究，基于23特征变量数据集，融合机器学习与贝叶斯优化算法，采用NSGA-II算法实现强度、碳排放与经济成本协同优化，并通过GUI系统验证动态适应性与工程适用性。

　　
纤维增强地质聚合物土壤多目标优化研究进展

一、研究背景与意义
土壤固化作为岩土工程领域的核心技术，在道路路基、堤坝防护等工程场景中具有不可替代的作用。传统固化材料依赖硅酸盐水泥，其生产过程产生大量CO?排放（占比全球总排放量5%），同时存在资源消耗不可持续、固化效果受环境因素影响显著等问题。近年来，以工业固废（如粉煤灰、矿渣）为原料的地质聚合物材料（Geopolymer Stabilized Soil, GSS）因其低碳特性（较传统水泥减少40-60%碳排放）和优异性能（抗压强度提升2-3倍，抗冻融循环次数达500+次）受到广泛关注。

纤维增强技术作为材料改性重要手段，通过界面应力传递、裂纹桥接效应等机制，可使材料延展性提升30%以上。然而现有研究存在显著局限：其一，材料配比优化多采用单目标设计（如仅考虑抗压强度），导致系统韧性不足；其二，优化方法局限于传统试错法（需进行10^3-10^5次试验），难以适应多因素耦合作用；其三，现有预测模型多针对特定材料体系（如纯GGBS体系），通用性较差。这直接制约了工程实践中材料性能与经济性的协同优化。

二、技术创新路径
该研究构建了包含23个特征参数的复合数据库，涵盖四大核心维度：
1. 原料特性：包括化学组成（SiO?、Al?O?等含量）、纤维类型（聚丙烯、玻璃纤维等）、掺量范围（0.2%-6.0%）
2. 工艺参数：地质聚合物固化温度（100-250℃）、养护周期（7-28天）、水灰比（0.5-1.2）
3. 环境指标：生产阶段CO?当量（0-500kg/m3）、全生命周期碳足迹（0-800kg/m3）
4.力学性能：标准无侧限抗压强度（1-50MPa）、断裂韧性（5-15MPa√m）

基于此，研究团队开发了三级智能优化体系：
1. 预测层：采用贝叶斯优化（BO）-人工神经网络（ANN）复合模型，对23维输入空间进行降维处理。通过比较四类机器学习模型（ANN、随机森林、XGBoost、支持向量机）的预测精度，确定ANN模型在训练集和测试集的均方误差（RMSE）分别为0.18MPa和0.22MPa，显著优于传统回归模型（误差约0.35MPa）。
2. 优化层：创新性整合NSGA-II算法与动态权重分配机制。针对不同工程场景（如高应力环境侧重强度，生态敏感区侧重碳减排），建立目标函数动态耦合模型：
- 强度约束：UCS≥设计值（40-60MPa）
- 环境约束：碳排放≤行业基准值（如≤300kg/m3）
- 经济约束：材料成本≤市场价波动区间（±15%）
3. 交互层：开发可视化人机界面，实现参数动态调整与优化方案实时生成。系统支持通过拖拽界面实时修改纤维类型、掺量范围等参数，并在30秒内完成多目标优化计算。

三、关键技术突破
1. 动态特征融合技术：通过主成分分析（PCA）将原始23维数据降至15维核心特征，同时保留纤维形态参数（长度0.1-5mm）、界面结合强度（>85%）等关键信息。实验表明该处理使模型计算效率提升40%，预测稳定性提高25%。

2. 多目标协同优化机制：
- 强度-成本帕累托前沿：在保证UCS≥45MPa前提下，材料成本可降低18-22%
- 碳减排-性能平衡曲线：实现碳排放减少35%的同时保持强度增长15%
- 三重约束优化：当纤维掺量≥4%时，系统自动切换强化模式，补偿因纤维增加导致的脆性增长

3. 贝叶斯优化算法改进：
- 采用分层抽样策略，将高维空间划分为6个特征子空间
- 引入动态探索-开发（DOE）机制，根据前三次迭代结果调整采样密度
- 建立超参数与模型预测精度的映射关系，将最优超参数集确定时间缩短60%

四、工程应用验证
在四川某高速公路改扩建工程中，系统成功指导FRGSS配比优化：
1. 材料配比：MK-GGBS-FA=50:30:20，PPF掺量3.8%，养护温度180℃
2. 性能表现：28天无侧限抗压强度48.7MPa（目标值≥45MPa），冻融循环300次后强度保持率92%
3. 环境效益：单方材料碳足迹较传统水泥降低58%，生产成本节省23%

对比传统优化方法，该框架展现出显著优势：
| 指标 | 传统方法 | 本优化框架 |
|---------------|---------|------------|
| 优化周期（天） | 45 | 7 |
| 成本估算误差 | ±18% | ±5% |
| 碳排放预测偏差 | ±25% | ±8% |
| 材料浪费率 | 12-15% | 3-5% |

五、行业影响与拓展
1. 建设材料领域：推动固废利用率从当前32%提升至65%，预计2025年可使土壤固化工程成本降低40-50元/m3
2. 环境治理方面：每万立方米工程量可减少CO?排放约280吨，相当于种植2.3万棵乔木的碳汇量
3. 技术推广路径：已与3家央企建立合作，形成包含12类土壤、8种纤维的标准化数据库，支持工程现场快速配比调整

六、未来发展方向
1. 智能材料预测：整合电子显微镜图像识别技术，实现材料微观结构的实时建模
2. 数字孪生系统：构建包含材料特性、施工环境、力学响应的虚拟仿真平台
3. 产业链协同：开发基于区块链的原料供应-生产-施工全周期管理系统

该研究标志着土壤固化技术从经验驱动向数据智能驱动的重大转变，为绿色基建提供可复制的技术范式。其核心价值在于建立材料性能与可持续指标的动态平衡机制，使工程经济性、环境效益和力学性能形成良性循环，为全球土壤固化工程贡献中国方案。