基于机器学习的多目标优化与地质聚合物混凝土动态性能预测

《Journal of Cleaner Production》：Machine learning-driven multi-objective optimization and dynamic performance prediction of geopolymer concrete

本研究提出基于机器学习和多目标优化的智能框架，用于预测碱激发水泥（GPC）的动态抗压强度并优化配比。通过对比支持向量回归、随机森林、梯度提升和堆叠模型，发现堆叠模型在测试集表现最佳（R2=0.9756），并利用SHAP分析揭示加载速率和粉煤灰含量为关键影响因素。结合NSGA-II算法，同步最大化抗压强度（30-80MPa）并最小化成本和碳排放，实验验证6种优化配比的可靠性，为可持续工程应用提供理论支撑和实践指导。

　　

戴峰|盖文杰|杨尚辉|魏明东|刘毅|周潘

中国四川大学建筑与环境学院水利与山地河流工程国家重点实验室，成都，610065

摘要

地质聚合物混凝土（GPC）以其低碳足迹和降低的资源消耗而受到越来越多的关注，被视为传统水泥基材料的可持续替代品。然而，其在动态扰动（如地震、冲击和爆破载荷）下的行为仍不够明确，这主要是由于传统测试的成本和时间要求较高。本研究开发了一个智能框架，利用机器学习（ML）和多目标优化技术来预测GPC的动态抗压强度并优化其配合比设计。通过使用原材料属性、配合比、养护条件和动态加载参数作为输入，训练了四种ML模型——支持向量回归（SVR）、随机森林（RF）、梯度提升（GB）和堆叠集成模型。经过随机搜索和k折交叉验证进行超参数调整后，堆叠模型在测试集上取得了最佳预测性能，其R² = 0.9756、RMSE = 5.4235、MAE = 3.8412和MAPE = 5.9237；其次是RF（R² = 0.9633），而GB表现出轻微的过拟合现象，SVR的准确性较低。基于SHAP的特征分析确定了加载率和粉煤灰含量是最有影响力的因素，GGBFS和碱性活化剂显示出协同效应。随后采用NSGA-II算法通过同时最大化抗压强度和最小化成本及CO₂排放来优化GPC混合物。所得到的帕累托前沿显示出强烈的收敛性和多样性（HV稳定，GD和IGD呈下降趋势），所有约束违规情况均降至零。对六种优化混合物的实验验证证实了模型的预测可靠性和实际可行性。该框架为GPC的可持续配合比设计和动态强度预测提供了一种稳健且可解释的方法，支持其在结构工程中的安全高效应用。

引言

全球变暖和温室气体排放已成为近几十年来日益严峻的挑战，水泥行业被认为是主要贡献者之一，由于普通波特兰水泥的高碳含量，它占全球CO₂排放量的近8%（Hassan等人，2019年；Qaidi等人，2022年；Elchalakani等人，2017年）。地质聚合物混凝土（GPC）通过使用碱性活化剂对工业副产品（如粉煤灰（FA）和磨细高炉矿渣（GGBFS）进行碱活化而合成，作为一种低碳、可持续的替代品，具有有前景的机械性能（Golewski，2023年；Mansouri等人，2022年）。尽管对GPC的静态性能进行了大量实验研究，但其在地震、冲击或爆破载荷下的动态响应对于结构安全至关重要，却仍缺乏充分研究。动态性能的实验研究本质上耗时且劳动密集，并且由于原材料组成、配合比、养护制度和加载条件之间的复杂相互作用而往往具有局限性（Wang等人，2024年；Huynh等人，2020年）。因此，能够有效捕捉这些多因素影响的预测和优化方法对于推进GPC在工程实践中的应用至关重要。

机器学习（ML）的最新进展为解决传统实验方法在混凝土性能预测方面的局限性提供了强大的工具（Sun等人，2020年；Zhang等人，2022a年；Ahmad等人，2022a年）。Zou等人（Chou等人，2014年）应用监督学习算法预测GPC的抗压强度，证明数据驱动的方法可以在保持准确性的同时减少实验工作量。Chou等人（Golafshani等人，2020年）比较了单模型和集成ML模型在高性能混凝土中的应用，发现支持向量机（SVMs）和多层感知器（MLPs）表现更优，突出了算法选择和超参数调整的好处。Golafshani等人（Ahmad等人，2022b年）将人工神经网络（ANN）与自适应神经模糊推理系统（ANFIS）和优化算法结合使用，实现了比传统回归模型更高的预测准确性。Ahmad等人（Gomaa等人，2021年）评估了决策树、装袋回归器和AdaBoost模型，发现装袋回归器达到了最高的预测准确性（R² = 0.97）。除了预测之外，ML还越来越多地用于GPC的配合比优化（Khan等人，2021年；Chu等人，2021年；Nazar等人，2023年；Zhou等人，2024年；Dai等人，2024年）。Ji等人（2024年）开发了基于XGBoost的抗压强度和坍落度预测模型，发现细骨料的细度模量对坍落度有显著影响。相比之下，抗压强度主要受粉煤灰含量控制。Chamila等人（Gunasekara等人，2021年）在MATLAB中使用了ANN框架，并结合贝叶斯正则化、Levenberg–Marquardt和缩放共轭梯度算法，量化了关键输入参数与抗压强度之间的关系，实验验证证实了模型的可靠性。Revathi等人（2024年）引入了可解释AI（XAI）方法以提高配合比设计的透明度，而Rathnayaka等人（2024年）提出了一个结合聚类和参数优化的集成ANN模型；该模型考虑了粉煤灰氧化物组成、养护时间和养护温度以及活化剂特性，使训练和测试准确性分别提高了15.9%和68.3%。Ranasinghe等人（2024年）开发了一个使用深度神经网络（DNN）和逆向建模的开源平台，以预测最佳GGBFS–FA配合比，促进了目标强度的高精度设计。Zheng等人（2023年）采用了K折交叉验证、贝叶斯超参数调整、递归特征消除和C-TAEA算法，实现了抗压强度的R²值为0.993，粘结剂强度的R²值为0.980。Pattanayak等人（2024年）将ANN与响应面方法（RSM）相结合，阐明了FA、硅灰和GGBFS之间的复杂相互作用，实现了配合比优化。总体而言，这些研究表明ML不仅提高了预测性能，还实现了GPC混合物的系统化、高精度优化。尽管取得了这些进展，但大多数先前的研究主要集中在静态机械性能上，GPC在冲击、地震和爆破载荷下的动态响应仍大多未被研究。原材料组成、配合比、养护条件和高速率加载之间的复杂相互作用使得GPC动态行为的实验评估特别具有挑战性、耗时且成本高昂。因此，仍然迫切需要数据驱动的框架来准确预测动态性能，并为可持续的多目标配合比设计提供信息。

本研究提出了一个智能的、数据驱动的框架，用于预测地质聚合物混凝土（GPC）的动态机械行为，并通过多目标优化策略系统地优化其配合比，同时考虑抗压强度、材料成本和CO₂排放。开发并严格比较了四种机器学习模型——支持向量回归（SVR）、随机森林（RF）、梯度提升（GB）和堆叠集成模型，并通过交叉验证调整超参数以确保最佳的预测性能。基于SHAP值的特征重要性分析阐明了原材料组成、配合比、养护条件和加载参数对动态抗压强度的定量影响，提供了在高速率加载下GPC行为的机理洞察。利用优化的堆叠模型，实施了NSGA-II算法进行多目标优化，同时最大化动态抗压强度并最小化材料成本和CO₂排放，从而在30–80 MPa的目标强度范围内生成了高质量的帕累托前沿。使用GD、IGD和HV指标评估了优化解的收敛性、多样性和稳健性，证实了优化策略的可靠性。对六种加权优化混合物的实验验证进一步证明了堆叠模型的预测准确性和所提出优化框架的实际可行性。总体而言，这项工作建立了一种全面的、理论基础扎实且实际适用的方法，为GPC的可持续配合比设计提供了关键指导，为其在工程应用中的安全高效部署提供了支持。

数据收集和预处理

数据收集是开发用于预测GPC动态抗压强度的机器学习模型的基础步骤。经过手动校对后，最终整合了来自11项高质量研究的252个有效数据集（Gai等人，2024年；Lai等人，2024年；Ou等人，2022年；Lian等人，2023年；Cong等人，2020年；Su等人，2016年；Tang等人，2020年；Xiao等人，2021年；Zhang等人，2022b年；Wang等人，2023年；Yan等人，2024年）。随后的数据预处理包括移除

模型训练和性能评估

图5显示了不同机器学习模型在预测GPC动态抗压强度方面的性能比较，其中粉色和蓝色散点分别代表训练集和测试集，直线y = x作为理想参考线。堆叠模型的表现最好，其数据点紧密分布在理想曲线周围，表明其预测准确性和稳定性明显高于其他模型。

目标函数的定义

基于本文第3.4节中优化的堆叠模型，建立了动态抗压强度的目标函数。目标函数的值越大，性能越好。堆叠模型使用了10个特征进行训练：粉煤灰（FA）、GGBFS、AAS、模量、骨料与粘结剂比例、砂与粘结剂比例、水与粘结剂比例、养护温度、养护时间和加载率。因此，在调用堆叠模型时，应输入相应的特征

结论

本研究通过集成机器学习和多目标优化框架，解决了智能预测地质聚合物混凝土（GPC）动态机械行为并优化其配合比设计的挑战。通过开发数据驱动的GPC动态性能预测模型和稳健的配合比优化策略，该研究有效克服了传统实验方法固有的耗时、劳动密集和成本高昂的局限性

CRediT作者贡献声明

戴峰：监督、软件、方法论、调查。盖文杰：撰写——原始草稿、可视化、方法论、概念化。杨尚辉：撰写——审阅与编辑、验证、方法论。魏明东：撰写——审阅与编辑、监督、软件。刘毅：撰写——审阅与编辑、监督、方法论。周潘：撰写——审阅与编辑、撰写——原始草稿、监督、方法论。

利益冲突声明

作者声明他们没有已知的竞争性财务利益或个人关系可能影响本文所述的工作。

致谢

作者感谢国家自然科学基金（授权号：52522906, 52225904）、四川省科技计划项目（编号：2025ZYD0004, 2024YFHZ0341）以及新基石科学基金会通过Xplorer奖的财政支持。