《Powder Technology》：Explainable machine learning prediction of compressive strength in ternary industrial waste-based geopolymer grouting material
编辑推荐：
工业固废制备的地聚物注浆材料（GGM）配比优化及机器学习模型研究。通过27种配比实验获得575组抗压强度数据，构建随机森林、XGBoost、CNN和BPNN模型并优化超参数，PSO-BPNN模型R2达0.97503。SHAP分析表明固化年龄（53.1%）和水灰比（33.3%）主导强度发展，推导出各参数合理范围。提出可解释机器学习框架指导固废协同优化，为可持续注浆材料开发提供理论支撑。
Jiaquan Wang|Xinbiao Wu|Zhenchao Chang|Yi Tang
中国广西壮族自治区地质灾害与生态控制工程研究中心，广西科技大学土木与建筑工程学院，柳州545006
摘要
本研究利用工业固体废弃物（如矿渣、红泥和粉煤灰）制备了一种三元地质聚合物灌浆材料（GGM），该材料不仅减少了碳排放，还促进了资源回收。然而，在多种废弃物协同作用下优化混合比例仍是一个主要挑战。共开发了27种混合设计，获得了575个有效的抗压强度数据点。训练了四种机器学习模型——随机森林（Random Forest）、XGBoost、卷积神经网络（CNN）和反向传播神经网络（BPNN），并使用粒子群优化（PSO）算法优化了它们的超参数。通过预定义的独立测试数据集（108个样本）验证，PSO-BPNN模型表现最佳（R2=0.97503，MAE=1.41，MSE=3.07，RMSE=1.75，MAPE=5.96%）。基于SHAP的可解释性分析显示，固化时间和水胶比对抗压强度的影响最大（53.1%），其次是激活剂浓度和模量（33.3%），固体废弃物的组成占剩余的13.6%。根据SHAP依赖图得出了实际参数范围：固化时间=10.62–56.00天，水胶比=0.30–0.51，激活剂浓度=1.36–1.99 mol·L?1，模量=1.02–2.25，红泥占比=0.00–20.33%，粉煤灰占比=34.25–40.00%，矿渣占比=60.13–100.00%。本研究提出了一种新颖且可解释的强度预测框架，为多废弃物优化提供了定量指导，并为地基修复用可持续灌浆材料的发展提供了实用见解。
引言
随着道路基础设施的进步和路面病害问题的日益突出，道路建设逐渐从新建转向维护[1]。灌浆加固是道路维护和修复的重要方法，广泛应用于解决地基沉降、差异沉降以及混凝土板下的空洞等问题[2]。灌浆材料的力学性能决定了灌浆加固项目的可行性[3]。目前最常用的灌浆材料是基于水泥的材料[4,5]。然而，这些材料存在资源消耗高、环境影响大、凝固时间长和耐久性有限等缺点[6]。为了减轻环境负担，迫切需要绿色和低碳的灌浆材料。地质聚合物灌浆材料（GGM）作为一种有前景的替代品，已成功应用于道路地基和其他建设项目[7]。使用固体废弃物作为地基灌浆材料可以促进新型可持续灌浆材料的发展[8]。矿渣和粉煤灰等固体废弃物能够显著改善地质聚合物灌浆材料的力学性能和耐久性。矿渣富含SiO?和Al?O?，可与碱性溶液反应从而增强抗压强度和抗裂性[9,10]；超细红泥可以延长凝固时间、提高强度并优化孔结构[11]；粉煤灰与碱性溶液反应后形成的无机聚合物网络进一步增强了力学性能[12]。由矿渣、红泥和粉煤灰组成的三元系统的性能受多种因素影响，包括原材料、混合比例、激活剂浓度和水胶比。然而，多种固体废弃物共同作用下的地质聚合物强度发展机制尚不明确，系统化的混合比例优化策略也缺乏[13,14]。
在此背景下，机器学习技术的快速发展为材料研究和开发的效率和准确性提供了创新方法[15]。在混凝土和复合材料领域，机器学习可以有效预测材料性能[16]，深度学习方法（如神经网络）在提高预测精度和模型性能方面显示出巨大潜力[17]。然而，神经网络模型的可解释性仍然有限。SHAP（Shapley Additive Explanations）是一种有效的可解释性工具，已被应用于土木工程中以解释基于树的模型[18,19]。对于具有强多变量耦合和非线性相互作用的材料系统，宏观性能通常是由多种物理化学过程的综合作用产生的，而不仅仅是由单一主导机制决定的[20,21]。在这种情况下，结合实验观察的数据驱动分析被证明是提取主导趋势和设计相关见解的有效策略。同时，最近的发展（如深度能量方法和变分物理信息神经算子（VINO）突显了变分一致性机器学习在解决力学正向和逆问题中的潜力[22,23]。这些进展主要针对那些可以明确定义可靠能量公式或控制方程的系统。相比之下，本研究解决的问题具有强烈的成分耦合和不断变化的反应机制。因此，本研究强调了一个适用于复杂三元地质聚合物灌浆系统的可解释数据驱动框架，旨在从实验数据中提取物理意义上的趋势和设计相关见解。
本研究的技术流程如图1所示。具体来说，设计了27种不同的GGM混合比例，以研究矿渣、红泥、粉煤灰、固化时间、水胶比、激活剂模量和激活剂浓度对抗压强度的影响。基于实验数据集，构建了RF、XGBoost、CNN和BPNN模型，并使用粒子群优化（PSO）进行了进一步优化。为了解决可解释性问题，采用了SHAP方法来量化每个输入变量的相对贡献。因此，本研究提出了一种针对多废弃物地质聚合物的新颖可解释机器学习框架，旨在填补混合设计优化的空白，并为可持续灌浆材料的发展提供实用指导。
实验原材料
本研究中的GGM胶凝材料主要由河南博仑铸造材料有限公司生产的烧结红泥（RM）、巩义龙泽水处理材料有限公司生产的S95级矿渣（SL）和一类粉煤灰（FA）组成。固体测试材料的主要化学成分见表1。基础材料含有大量的二氧化硅和氧化铝，而矿渣和红泥富含CaO，可以有效增强材料的强度。
不同变量对GGM抗压强度的影响
作为地质聚合物的主要成分，矿渣提供了钙和硅的来源，直接影响抗压强度[25,26]。在三元系统中，矿渣不仅为C-(A)-S-H凝胶的形成提供Ca2?，还在碱性条件下释放出反应性的SiO??和AlO??。这些物质与粉煤灰和红泥中的溶解硅酸盐和铝酸盐发生缩聚反应，形成混合凝胶网络。矿渣中的高钙含量促进了早期强度的发展。
模型开发过程
模型开发过程如下：
- 1)
数据准备：使用影响GGM力学行为的关键参数作为输入变量构建数据集，以抗压强度作为输出。数据清洗后，保留了575个有效数据点用于模型开发。由于数据集规模有限，在模型开发过程中采用了5折随机交叉验证来支持超参数选择并减少过拟合。
结论
本研究解决了基于矿渣-红泥-粉煤灰三元工业固体废弃物的地质聚合物灌浆材料的抗压强度预测和混合比例优化问题，并基于系统实验和数据驱动建模开发了一个可解释的机器学习框架。主要结论如下：
- 1)
GGM系统的抗压强度受多种参数的协同作用影响。较低的水胶比（0.3）
作者贡献声明
Jiaquan Wang：撰写——审稿与编辑、监督、研究、资金获取、概念构思。Xinbiao Wu：撰写——初稿、验证、研究。Zhenchao Chang：撰写——审稿与编辑、验证、研究。Yi Tang：撰写——审稿与编辑、研究。
利益冲突声明
作者声明以下可能被视为潜在利益冲突的财务利益/个人关系：Jia-quan WANG报告获得了国家自然科学基金的支持；Jia-quan WANG还获得了广西重点研发计划项目和广西自然科学基金的支持。
致谢
该项目得到了国家自然科学基金（编号：52468047）、广西重点研发计划项目（编号：AB25069142）、广西自然科学基金（编号：2022GXNSFDA035081）、广西高等教育机构高水平创新团队和优秀学者计划（编号：GuiJiaoRenCai [2020]6）以及广西科技大学研究生教育创新项目（编号：GKYC202569）的资助。
