基于机器学习的废弃铸造砂混凝土力学性能预测与优化研究：实验验证与生态建材创新

本研究针对传统方法评估未经处理铸造砂(UFS)混凝土力学性能存在的局限性，创新性地结合系统实验与可解释机器学习(ML)技术。研究团队通过M20/M40/M70三个强度等级混凝土实验（UFS替代率0-50%），构建包含422个数据点的数据库，采用六种ML算法实现抗压强度(CS)、劈裂拉伸强度(STS)和弯曲强度(FS)的精准预测。结果表明30%UFS替代使M20混凝土CS提升34%达37.11MPa，同时开发了实用型GUI决策支持工具，为可持续建材设计与工业固废资源化提供新范式。

　　

传统评估方法在分析掺入未经处理铸造砂(Used Foundry Sand, UFS)混凝土的力学特性时，始终受限于高劳动强度的测试流程和经验性近似计算。该研究开创性地提出融合系统化实验验证与可解释机器学习(Machine Learning, ML)的混合框架，用以预测UFS改性混凝土的抗压强度(Compressive Strength, CS)、劈裂拉伸强度(Split Tensile Strength, STS)与弯曲强度(Flexural Strength, FS)，从而推动快速、可持续的配合比优化。实验针对M20、M40及M70强度等级的混凝土展开，以UFS替代细骨料的比率介于0%至50%之间。通过对54个立方体试件、18个圆柱体试件及18个梁式试件进行28天标准养护后的测试，研究共生成包含422个数据点的综合数据集。团队训练并对比了六种机器学习算法——岭回归(Ridge Regression)、LASSO、随机M5P(Stochastic-M5P)、随机树(Random Tree)、装袋法(Bagging)及随机森林(Stochastic-Random Forest)。结果明确显示，30%的UFS替代率可显著提升M20混凝土的CS（达37.11 MPa，增长34%）、STS与FS，而M40混凝土则在20%替代率时达到强度峰值。在模型中，随机森林(Stochastic-Random Forest)在CS预测上展现出近乎完美的训练精度（相关系数²R = 0.999，平均绝对误差MAE = 0.067 MPa）；相比之下，随机树(Stochastic-Random Tree)在STS（测试R = 0.95，MAE = 0.277 MPa）与FS（测试R = 0.996，MAE = 0.544 MPa）预测中表现出更优的泛化能力。敏感性分析进一步揭示，水泥含量、水灰比（water–cement ratio）及养护时长是影响性能的关键变量，而UFS掺量百分比则对FS呈现非线性效应。通过整合实验数据与可解释机器学习，本研究不仅推动生态高效混凝土的预测性设计发展，减轻UFS废弃带来的环境压力，还降低了对天然骨料的依赖。此外，团队开发出一款图形用户界面(GUI)，将所提出的框架转化为适用于可持续建筑工程实践的决策支持工具。