源自工业固体废物的矿化人造骨料 CO2 封存的机器学习估算

《Waste Management》：Machine learning estimation of CO 2 sequestration for mineralized artificial aggregates derived from industrial solid wastes

　　

• 本文研究了利用机器学习估算人工骨料的CO?封存量。
• 基于实验数据库开发了数据驱动的机器学习框架。
• 基于树的集成模型在预测CO?封存量方面表现最优。
• 通过SHapley加和解释（SHAP）分析揭示了主要特征。
• 基于最优模型开发了图形用户界面。

**引言**

建筑材料行业是碳排放的主要来源。将固体废料回收利用为建筑材料已成为建筑行业低碳转型的重要策略，旨在减少碳排放并保护原生矿物资源（Li等，2026b；Liu等，2024；Safran等，2025；Zhang等，2026a）。钢渣是钢铁工业的典型副产品，中国年产量超过1.5亿吨（Liu等，2026a；Zhang等，2024b）。然而，其利用率不足30%。将钢渣回收用于建筑材料为固体废料的大规模处置提供了一条途径，具有节约原生矿物资源和减少碳排放的优势。由于钢渣具有高硬度、优异的耐磨性和强界面粘结性，可替代路面材料中的天然骨料（Yonar和Tozsin，2026）。Al-Tameemi等（2025）报告称，当钢渣粉用作石灰石填料替代品时，可改善沥青混合物的马歇尔稳定性和耐水性。Xiao等（2026）进一步证明，在Na?CO?溶液中进行快速机械化学活化处理，可使碱性氧气转炉钢渣浆体在7天和28天时的抗压强度分别达到10.7 MPa和16.9 MPa。然而，钢渣中的游离氧化钙（f-CaO）在水化过程中可能导致体积膨胀和结构劣化，这限制了其工程应用（Hu等，2026）。

矿物化方法被广泛用于消耗钢渣中的f-CaO，以实现永久矿物碳封存（Pan等，2020；Yang等，2021）。重要的是，矿物化可以通过将碱性含钙矿物转化为稳定的碳酸盐，重构钢渣的微观结构，从而提高其力学强度、体积稳定性和耐久性（Zhang等，2024b）。现有研究表明，矿物化过程可分为两个关键阶段：快速表面矿物化和随后受内部扩散控制的反应（DiGiovanni等，2024；Mo等，2020）。钢渣的碳酸化主要受温度、反应时间、CO?浓度、压力、含水率以及人工骨料孔隙结构的影响（He等，2023；Tam等，2022）。适度提高温度可加速表面反应并改善表面矿物化层的完整性。然而，过高的温度会阻碍CO?向内部的扩散，抑制深层矿物化（Luo等，2021）。较高的CO?浓度和压力通过增加气体溶解度和扩散驱动力来促进矿物化（Li等，2025）。充足的含水量有利于促进活性钙和CO?的溶解，从而维持持续的矿物化反应。减小粒径可扩大气-固接触面积并优化矿物化反应。提高孔隙率有利于矿物化过程中CO?的扩散（Chen等，2021a）。传统的钢渣矿物化方法通常在较高CO?浓度下进行，能耗高且运行成本高，限制了其工业应用（Chen等，2022）。以往研究表明，在钢渣中掺入多孔材料可重构孔隙结构，促进CO?扩散，使矿物化反应在低CO?浓度下得以维持（Liu等，2023a；Mishra等，2023；Zhao等，2023）。

冷粘结制粒被认为是生成各种工业固体废料人工骨料的主要方法（Colangelo等，2015）。用钢渣、粉煤灰、赤泥等固体废料部分替代混凝土中的天然粗骨料，是减少生态破坏的一项有前景的策略（Liu等，2024）。目前，大量研究集中于利用各种固体废料制备骨料，发现粉煤灰、高炉渣和电石渣衍生的人工骨料具有良好的力学性能和体积稳定性（Yao等，2024）。然而，工业固体废料的固有理化特性往往导致人工骨料产生微观结构缺陷（Deng等，2022；Zhang等，2025）。同时，钢渣、废混凝土和电石渣等工业固体废料表现出延迟水化膨胀、高孔隙率和疏松层状结构，损害其力学性能和长期稳定性，从而限制了其应用（Islam等，2025；Yan等，2025；Zhang等，2025）。因此，各种工业固体废料的配合比设计对于制备高质量人工骨料至关重要。例如，Zhao等（2026a）提出了一种基于颗粒堆积的配合比设计方法，利用滚筒制粒和冷粘结制粒技术制备废混凝土人工骨料，在水泥掺量10%时实现了28天单粒抗压强度23.08 MPa。然而，这些缺陷仍然存在，并继续制约其工程应用。矿物化方法可以有效弥补这些缺陷，同时实现CO?的永久封存（Li和Unluer，2025；Zhang等，2024b）。因此，多种固体废料衍生的矿物化骨料被认为是一条有前景的途径，可以在实现固体废料增值的同时保护天然矿物资源并减少建筑行业的碳排放（Liu等，2022；Zhao等，2025）。

目前关于多种固体废料衍生骨料碳矿化的研究主要基于传统的控制变量法，用于研究关键参数对碳矿化的影响。然而，固体废料的矿物化行为高度依赖于原材料特性、微观结构和反应条件，这些因素在矿物化过程中表现出强耦合的非线性相互作用（Nunez和Nehdi，2021；Yang等，2024）。传统的矿物化参数优化实验劳动强度大，研究周期长，研发成本高（Su和Jiang，2024）。机制动力学模型（如收缩核模型和扩散控制模型）可以描述理想化单颗粒碳酸化过程，但其应用于异质性多源固体废料时受到简化假设和未知速率参数的限制。基于这些模型的数值模拟还需要特定设备参数和均质材料假设，限制了其可迁移性（Yang等，2024）。相比之下，数据驱动的机器学习（ML）在非线性拟合、高维特征处理和精确预测方面具有强大的能力。因此，机器学习作为机制模型和控制变量实验的补充工具而非替代手段，可以直接从实验数据中学习耦合非线性关系，而机制知识仍然是解释和验证所学习模式的关键（Benzaamia等，2025；Benzaamia等，2024；Ghani等，2024；Zhang等，2026b；Zhao等，2024）。在骨料碳酸化领域，极限梯度提升（XGBoost）、梯度提升回归树（GBRT）、梯度提升决策树（GBDT）、支持向量回归（SVR）、随机森林（RF）、轻量级梯度提升机（LightGBM）和多层感知机（MLP）等机器学习模型已被证实能准确描述矿物化参数与碳封存之间的非线性关系，性能优于传统经验公式（Hosseinnia等，2025；Wang等，2024）。He等（2023）开发了一个MLP模型来预测钢渣浆体碳酸化过程中的碳封存量，均方根误差（RMSE）为1.565，平均绝对误差（MAE）为1.233；同时利用SHAP分析揭示了输入特征的影响。Khan等（2026）建立了GBRT和XGBoost模型来预测粉煤灰混凝土的碳化深度，RMSE值为0.0380，R2值分别为0.9310和0.9589；SHAP分析表明养护时间和暴露时间是主要影响因素。Zhao等（2026b）构建了结合Optuna驱动超参数优化的LightGBM模型来预测再生骨料混凝土的碳化深度，在测试集上达到了RMSE 1.87和R2 0.93。Abbas等（2025）开发了RF模型来预测再生骨料混凝土的碳化深度，在测试集上达到了R2 0.839和RMSE 2.61 mm，并指出暴露时间、湿度、密度和CO?浓度是主要影响因素。

机器学习已被应用于优化各种工业固体废料衍生人工骨料的多目标设计和结构性能预测，展现了其在高维非线性建模中的重要作用（Song等，2026；Zhao等，2022）。机器学习模型的预测精度和泛化性能共同受其算法架构和超参数优化支配（Wang等，2021）。相比之下，传统的网格搜索和随机搜索效率低下，优化性能有限（Hajihosseinlou等，2026）。作为高效的全球优化算法，贝叶斯优化通过使用概率代理模型实现参数探索与利用之间的动态平衡，以更少的迭代次数收敛到最优超参数集（Wang等，2025）。然而，传统的基于高斯过程的贝叶斯优化对高维参数的适应性较差，且缺乏并行计算能力（Ebtehaj等，2026）。基于树结构帕尔岑估计器的Optuna框架实现了具有嵌入早停策略的智能超参数调优，能够快速筛选最优超参数集，展现出卓越的效率、鲁棒性和通用性（Sadoune等，2023）。对于非线性、高维的矿物化系统，系统的超参数调优对于提高预测可靠性至关重要。

已有大量研究广泛探讨了人工骨料的矿物化机制、改性策略和工艺参数。然而，在理论基础和实际工程约束方面仍存在一些空白。当前预测模型主要针对单一固体废料开发，只能在相应组成域内进行插值，这限制了其向钢渣、粉煤灰、赤泥、废混凝土和电石渣等多源系统的泛化。此外，机器学习模型通常被视为"黑箱"模型，可解释性低，难以分析关键参数的调控机制（Ghrici等，2025）。为解决这些空白，本研究汇编了多源工业固体废料人工骨料的CO?封存预测数据库。采用高斯噪声增强和基于Optuna的超参数优化训练了六种机器学习模型。随后利用SHapley加和解释（SHAP）、部分依赖图（PDPs）和个体条件期望（ICE）分析量化特征贡献。

该框架能够实现对多源固体废料骨料的快速筛选和配方设计。它还阐明了特征交互和关键阈值，将现有知识从单一材料研究扩展到更广泛的范围，支持低碳骨料设计。未来研究将通过系统的实验室实验验证该框架。这些实验将补充负面结果和覆盖稀疏的条件。该框架将扩展到生物炭和碱改性骨料，同时预测CO?吸收量和抗压强度。数据库也将进一步扩大以提高泛化能力。

**数据收集**

以"骨料"、"碳酸化"、"CO?封存"和"固体废料"为关键词在Web of Science数据库中进行了检索。该检索从27篇同行评审文章中返回了221个人工骨料CO?封存数据点。数据涵盖钢渣、废混凝土、赤泥、电石渣、高炉渣和粉煤灰，以及不同的骨料类型和矿物化条件。输入特征使用了14个参数：温度、CO?浓度、压力、

**数据库特征与质量评估**

本研究对包含221个有效样本（含输入特征及对应CO?封存量）的数据库进行了描述性统计分析。所建立数据库的可视化分布特征如图2所示。用于制备人工骨料的固体废料平均粒径为24.16 μm。该固体废料在数据库中表现出高钙硅摩尔比的特征，以44.01 wt%的CaO为主。

**结论**

本研究建立了一个可解释的机器学习框架，用于预测人工骨料的CO?封存量，基于原材料理化特征和矿物化参数。比较了六种典型机器学习模型，包括GBDT、LightGBM、MLP、RF、SVR和XGBoost。为解决实验数据库导致的过拟合和泛化能力差的问题，本研究整合了基于高斯噪声的数据增强、基于Optuna的贝叶斯超参数调优、5折交叉验证和独立

**CRediT作者贡献声明**

Linbo Qin：撰写——初稿，资金获取。Xinhai Liang：方法，调查，数据整理。Bo Zhao：资源，形式化分析。Wangsheng Chen：验证，监督。

韩骏：写作 – 审阅与编辑，项目管理，概念构思。
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：
韩骏报告，中国国家自然科学基金提供了财务支持（52574473, 52676241）。
秦林博报告，湖北省科技创新专项基金提供了财务支持（2025AFA061）。
秦林博报告，武汉市自然科学基金提供了财务支持（2025041001010356）。
秦林博报告
致谢
本研究得到了中国国家自然科学基金（资助号：52574473, 52676241）、湖北省科技创新专项基金（资助号：2025AFA061）、武汉市自然科学基金（2025041001010356）；湖北省教育厅科研项目（F2023001）的支持。
秦林博 | 梁鑫海 | 赵博 | 陈旺生 | 韩骏