一种可解释的机器学习框架，用于预测添加工业废料的可持续混凝土的抗压强度，并进行环境影响评估

《Sustainability》：Explainable Machine Learning Framework for Strength Prediction of Sustainable Concrete Incorporating Industrial Waste SCMs with an Embodied Impact Assessment

　　

摘要

混凝土由于生产过程中对能源的高需求，对全球二氧化碳（CO₂）排放量有显著贡献。本研究通过结合实验评估、可解释框架和生命周期可持续性分析，整合了多种基于集成机器学习（ML）的预测模型，这些模型用于研究添加了辅助胶凝材料（SCM）的混凝土混合物。我们开展了一项全面的实验计划，以评估混凝土的抗压和抗拉强度，结果表明：当使用40%的粉煤灰（FA）和粒化高炉矿渣（GGBFS）替代水泥时，GF4混合料表现出最佳的协同效应，这归因于其平衡的水化动力学和改善的微观结构特性。在计算模型开发过程中，采用了k折交叉验证技术来评估模型在多个数据划分下的鲁棒性，并控制模型的过拟合现象。模型性能通过多种指标进行评估，包括R²、RMSE和MAE，特别关注了训练性能与测试性能之间的差距。表现最佳的模型通过粒子群优化（PSO）和贝叶斯优化（BO）技术进行了优化，从而进一步防止了过拟合。Shapley加性解释（SHAP）分析显示，水灰比（w/b ratio）和养护时间是影响抗压强度的关键参数，而细骨料含量和养护时间则影响抗拉强度。对于抗压强度，XGBoost模型的R²值为0.879，经过PSO优化后提升至0.918；对于抗拉强度，梯度提升模型（Gradient Boosting）的R²值为0.840，同样在PSO优化后得到提升至0.879。此外，还进行了生命周期评估，以评估混凝土混合物在碳含量和能源消耗方面的环境影响。与对照组相比，GF4混合料的碳含量减少了36%，显示出其在低碳混凝土应用中的巨大潜力。这项综合性研究有助于推动绿色建筑实践的发展，并支持通过循环利用工业副产品来减少大气影响的全球努力。