编辑推荐：
为解决混凝土行业高 CO?排放及可持续设计难题，研究人员构建不确定性感知 AI 优化框架，分析 3114 种混凝土配合比。发现可解释提升回归器（EBR）预测精度高，多目标优化能降低全球变暖潜势（GWP）与成本，GUI 工具助力实践，为低碳混凝土设计提供新路径。
混凝土作为现代基础设施的基石，在支撑全球城市化进程的同时，也带来了严峻的环境挑战。传统水泥基混凝土生产是工业温室气体的主要来源之一，其排放的 CO?约占全球人为 CO?排放量的 8%。随着全球对碳中和目标的推进，如何在保证混凝土力学性能的前提下，降低其环境影响、促进废弃物循环利用，成为建筑领域亟待解决的关键问题。在此背景下，一项旨在通过人工智能驱动优化可持续混凝土配合比设计的研究应运而生。
为攻克混凝土生产中的高碳排难题并推动循环经济在建筑行业的应用，研究人员开展了利用不确定性感知机器学习模型优化含废弃物低碳混凝土配合比的研究。该研究成果发表在《Environmental Research》，为混凝土行业的绿色转型提供了重要的技术支撑。
研究人员主要采用了以下关键技术方法：
- 数据收集与处理：从 17 篇同行评审文献中收集了 3114 个含废弃物混凝土配合比的观测数据，涵盖水泥、水、辅助胶凝材料（SCMs）、废弃物细骨料等多类参数，构建了目前最大的废弃物基可持续混凝土数据库之一。
- 机器学习模型构建：选用随机森林回归器（RFR）、可解释提升回归器（EBR）、决策树回归器（DTR）三种树基回归算法，通过美洲狮优化器（PO）进行超参数优化，对比发现 PO 方法在收敛速度和预测精度上优于随机搜索（RS）方法。
- 多目标优化与不确定性分析：以 EBR 模型作为抗压强度和 GWP 的目标函数，多项式回归作为成本目标函数，结合 IS:10262–2019 标准的非线性约束条件进行多目标优化，并采用加权刀切法（Weighted Jackknife+）量化模型不确定性。
- 工具开发：开发图形用户界面（GUI），实现强度、GWP、成本的实时预测及基于多目标优化的配合比设计。
研究结果
数据特征与模型性能
研究构建的数据集包含广泛的参数范围，如水泥（102–783 kg/m3）、水（80–247 kg/m3）、辅助胶凝材料（0–715 kg/m3）等。在三种机器学习模型中，EBR 表现出最高的预测精度，其抗压强度预测的 R2 值为 0.91，GWP 预测的 R2 值达 0.96。加权刀切法为异质混合料提供了狭窄的局部不确定性边界，显著提升了模型的可靠性。
特征重要性与影响因素
通过特征重要性分析和形状函数识别，发现水泥、养护龄期、水和粒化高炉矿渣（GGBS）是影响混凝土性能和环境影响的最关键参数。研究表明，高强度混合料因水泥用量增加，往往伴随更高的环境影响，揭示了强度与低碳目标之间的潜在权衡关系。
多目标优化与配合比设计
多目标优化结果显示，水泥、GGBS 和废玻璃的三元混合料实现了最高的废弃物利用率（960 kg/m3），而基于粉煤灰和偏高岭土的混合料在满足 M35 强度等级要求的同时，展现出更大的 GWP 规避潜力。通过 GUI 工具，用户可根据目标强度优化配合比，在降低材料成本和环境影响方面取得显著效果。
结论与意义
本研究构建了一个综合的、可解释的不确定性感知机器学习框架，为低碳混凝土的设计提供了系统性解决方案。研究证实，人工智能驱动的优化方法能够有效平衡混凝土的力学性能、环境影响和成本，显著提升废弃物利用率，推动建筑行业向循环经济转型。尽管研究采用 “从摇篮到大门” 的边界进行 GWP 估算，未涵盖使用寿命和报废阶段的影响，且材料成本和排放数据为全球平均水平，但所开发的模型和工具为后续纳入区域特定数据、深化微观结构和耐久性分析奠定了基础。该研究成果不仅为混凝土行业的减碳实践提供了直接的技术支持，也为其他高碳工业领域应用人工智能优化可持续生产提供了重要参考。
