纳米改性珊瑚基胶凝材料流变特性的机器学习预测模型构建与实验验证

本研究针对海洋工程中珊瑚基胶凝材料流变性能调控难题，通过系统实验（变量包括水泥类型、珊瑚粉(CP)含量、纳米二氧化硅(NS)粒径等）构建294组数据库，采用XGBoost等5种机器学习模型预测流变参数，最优模型R2达0.923，结合SHAP值解析特征重要性，为海洋资源化利用提供智能设计新范式。

　　

在蓝色经济崛起背景下，海洋工程建设面临特殊挑战——传统建材运输至远海岛礁成本高昂，而珊瑚这种"海洋赠礼"的利用却存在流变性能调控难题。珊瑚虽储量丰富，但其异质性与传统水泥的配伍性差，导致珊瑚基胶凝材料常出现泌水、离析等问题。更棘手的是，纳米材料改性虽能提升性能，但多因素交互作用机制复杂，传统试错法难以高效优化配方。如何破解这种"海洋建材密码"，成为制约离岸工程发展的关键瓶颈。

中国某高校研究团队在《Powder Technology》发表的研究给出了智能解决方案。该工作创新性地将机器学习引入海洋建材领域，通过294组精心设计的实验（涵盖6类关键参数），构建了目前最全面的珊瑚基胶凝材料流变数据库。研究采用"双轮驱动"策略：实验端通过高级流变仪精准测量静态/动态屈服应力、表观粘度等参数；算法端则部署XGBoost等5种前沿模型，并引入SHAP值解析"黑箱"机制。

【Preparation of materials】部分显示，团队创新制备工艺：将废弃珊瑚分级研磨为75μm/125μm两种粒径，配合52.5级/42.5级水泥及12-40nm纳米二氧化硅(NS)，构建多尺度复合体系。实验设计突破单因素局限，同步调控水胶比(w/b)、CP替代率等变量。

【Effect of w/b, NS content and CP content】章节揭示关键发现：(1)w/b升高会降低粒子间摩擦，使剪切应力曲线下移；(2)NS的火山灰效应存在阈值，超过1.5%会因团聚反增粘度；(3)CP粒径75μm时，比表面积效应主导流变行为。

机器学习建模部分亮点突出：XGBoost模型在预测剪切应力-剪切速率曲线时R²达0.923，显著优于ANN等模型。SHAP分析表明，w/b是最敏感参数，贡献度达34.7%，而NS粒径与CP含量存在显著交互效应。这些发现颠覆了传统认知——纳米材料并非越多越好，其与珊瑚粉的"尺寸匹配度"才是关键。

【Conclusions】部分总结三大突破：首次建立珊瑚-纳米复合材料流变预测模型；证实XGBoost在异质建材体系的优越性；提出"NS-CP协同因子"新概念。该研究为智能设计海洋工程材料提供新范式，据测算可减少配方试验次数70%以上。正如团队在讨论中指出，这种"实验-算法"闭环研究模式，不仅适用于珊瑚建材，对其它地域性废弃物的高值化利用同样具有启示意义。国家自然科学基金等项目的支持，彰显该研究在国家海洋战略中的特殊价值。