迈向具备生态智能特性的混凝土，以构建更具韧性的城市基础设施：可解释的替代优化方法与大型语言模型辅助的低矿渣混凝土配比设计

《Buildings》：Toward Eco-Intelligent Concrete for Resilient Urban Infrastructure: Explainable Surrogate Optimization and LLM-Assisted Low-Clinker Mix Design

　　

摘要

在混凝土配合比设计中，越来越需要快速评估各种配比在力学性能和资源效率方面的表现。本研究基于UCI混凝土抗压强度数据集，开发了一种可解释的、以减少水泥用量为核心的计算筛选框架。该数据集记录了波特兰水泥、粉煤灰、高炉矿渣、骨料、水、超塑化剂、养护时间以及抗压强度等信息，但未包含熟料系数、材料特定的排放因子以及耐久性相关数据。因此，减少水泥用量仅作为替代目标；本研究并未宣称实现了量化的全生命周期碳排放优化。研究使用原始配合比变量及基于领域知识的比例关系，训练出了LightGBM模型。在独立的测试集上，该模型的准确率为，平均绝对误差为2.639 MPa。通过Shapley加性解释方法分析了各配合比变量的统计影响，结果发现水与胶凝材料的比率是最具影响力的预测因素。随后，研究采用约束过滤蒙特卡洛抽样和非支配排序方法，筛选出帕累托最优的胶凝材料搭配方案。对于28天抗压强度为45 MPa的目标，经过多次搜索后，找出了平均波特兰水泥用量为164.4 kg/m的候选方案，这一数值比同一强度等级下实际混合料的平均值低44.2%。所开发的计算模块已被集成到Streamlit原型系统中，其中DeepSeek大型语言模型仅负责意图解析和报告生成。本研究的主要贡献在于实现了语言交互与确定性工程计算的分离，并借助工具提升了工作效率。这些候选配合比仍需通过实验验证，同时还需结合材料特定的全生命周期碳足迹和耐久性数据进一步评估。