《Scientific Reports》：Innovative sustainable concrete with waste glass materials: an explainable machine learning for compressive strength prediction
编辑推荐：
可持续混凝土掺入废玻璃材料已成为降低水泥生产环境影响及天然骨料消耗的一条有前景的路径。准确预测抗压强度（Compressive Strength，CS）对于优化此类配合比设计及保障结构可靠性至关重要。研究人员开发了五类机器学习模型——随机森林（Random F
可持续混凝土掺入废玻璃材料已成为降低水泥生产环境影响及天然骨料消耗的一条有前景的路径。准确预测抗压强度（Compressive Strength，CS）对于优化此类配合比设计及保障结构可靠性至关重要。研究人员开发了五类机器学习模型——随机森林（Random Forest，RF）、K近邻（K-Nearest Neighbors，KNN）、自适应提升（Adaptive-Boosting，AdaBoost）、轻量梯度提升机（Light Gradient Boosting Machine，LightGBM）与极端梯度提升（Extreme-Gradient-Boosting，XGBoost），并采用网格搜索（Grid Search）优化，用以预测含玻璃粉（Glass Powder，GP）与玻璃砂（Glass Sand，GS）混凝土的抗压强度。研究利用270组实验样本，纳入养护时长、水泥用量、GP、GS、水、密度、砂与玄武岩共8项输入参数。各模型中，LightGBM在测试阶段表现最优，决定系数（R2=0.964）、均方根误差（Root-Mean-Square-Error，RMSE=2.05 MPa），其后依次为XGBoost与RF（R2分别为0.955与0.953）；KNN与AdaBoost性能相对较低。SHAP与偏依赖图（Partial Dependence Plot，PDP）分析判定养护时长与水泥用量为最具影响力参数，而水与GP对CS呈负向作用。为提升实用性，研究人员将LightGBM模型部署于用户友好图形界面（Graphical User Interface，GUI），实现CS快速可靠预测，为可持续混凝土配合比设计提供准确、可解释且实用的决策支持工具。
研究背景方面，全球建筑业面临减碳与基建需求双重压力，水泥生产贡献约7%–8%人为二氧化碳排放，天然骨料持续耗竭，同时废玻璃（Waste Glass，WG）年填埋量大且其潜火山灰活性未被充分利用。传统配合比设计依赖迭代实验与经验回归，难以刻画废玻璃掺入后多因素非线性耦合效应。已有机器学习（Machine Learning，ML）预测混凝土强度研究多聚焦普通高性能混凝土，对同时掺玻璃粉与玻璃砂体系的可解释建模仍不充分，且多数高性能模型缺乏物理可解释性。为此，研究人员在《Scientific Reports》发表该研究，旨在构建可解释的ML框架预测含GP与GS可持续混凝土抗压强度，并通过SHAP与PDP揭示关键影响机制，最终封装为GUI工具服务工程决策。
关键技术方法上，研究人员整合Shams等2025年实验数据集，含30个配合比、3个龄期（7、28、56天）、每龄期3试件，共270条抗压强度记录；按配合比层级切分训练集（21组）与测试集（9组）以防信息泄露；输入变量为养护时长、水泥、GP、GS、水、密度、砂、玄武岩8维。采用RF、KNN、AdaBoost、LightGBM、XGBoost及多项式多元线性回归（Multiple Linear Regression，MLR）基线，经StandardScaler与Pipeline内网格搜索交叉验证调参；评价用R2、MSE、RMSE、MAE、MAPE及±5%/±10%误差带、Taylor图、秩分析；解释阶段对最优LightGBM做全局/局部SHAP值与PDP，并开发GUI部署。
研究结果部分，“超参数优化”小节表明，各模型在Pipeline内网格搜索获得近优配置：MLR取二阶多项式展开与15特征单变量选择，RF为200树/最大深10，KNN为k=5欧氏距离距离权重，AdaBoost学习率0.1/200弱学习器，LightGBM为深3/100轮/31叶/叶最小10样本，XGBoost为深3/100树/行列子采样0.8，均抑制过拟合。“预测模型视觉评估”中误差分布显示LightGBM测试RMSE最低（2.05 MPa），KNN训练测试落差最大（1.54→3.40 MPa）；散点图表明LightGBM测试R2=0.964、94.44%落于±10%带；Taylor图证实LightGBM归一化标准差近1且中心化RMSD最小。“定量评估”秩分析汇总六指标训练/测试排名，LightGBM测试累计秩分6居首，XGBoost12次之，RF18再次，MLR（24）优于AdaBoost（31）与KNN（35），说明树集成泛化稳健，多项式MLR可作强基线。“模型解释”中SHAP全局重要性显示养护时长均值SHAP>6.5居首，水泥约2.68次之，GS、玄武岩、砂中等，水与GP呈负向；beeswarm与decision plot印证长养护与高水泥推高预测值，高水与高GP压制强度；PDP进一步刻画水泥近似线性正效、养护时长陡升、GP与水单调负效、GS密度玄武岩弱正效、砂略负，并提醒PC–GP、砂–GS因配比替换存多重共线性，SHAP/PDP反映模型关联而非独立因果。
讨论与结论翻译：研究人员得出结论，含废玻璃粉与玻璃砂的可持续混凝土抗压强度可由LightGBM高精度预测（测试R2=0.964，RMSE=2.05 MPa），优于XGBoost、RF及传统多项式回归；SHAP与PDP一致识别养护时长与水泥含量为支配性正向因子，水与GP超出合理替代量时削弱强度，该结论与水泥水化及孔隙率理论吻合，证实模型物理可信度；按配合比而非试件分层切分提升了泛化评价严谨性；最终LightGBM经GUI部署，使配合比设计人员无需重训即可获可解释强度预报，推动废玻璃在混凝土中循环利用与水泥减量降碳目标的工程落地。该研究局限在于数据源自单一实验计划（270样本/30配合比），玻璃粒径、碱硅反应（Alkali-Silica Reaction，ASR）抑制等细观机制未单独建模，后续可融合多源数据与物理约束以拓展至耐久性等多目标预测。
