疏浚淤泥的可持续利用：基于可解释机器学习的粘结剂优化及微观结构验证

《Process Safety and Environmental Protection》：Sustainable valorization of dredged sediments: Interpretable machine learning-driven binder optimization and microstructural validation

　　•可解释的机器学习方法将数据与废弃物衍生复合材料的无侧限抗压强度预测相衔接。该模型能够解析混合料设计参数与沉积物参数之间的非线性耦合关系。其通用化预测能力突破了特定场地经验关联式的限制。多尺度微观结构分析则有助于验证基于数据的强度演变机制。

引言
快速的城市化进程与基础设施扩张给沿海和湖泊地区的可持续基础设施建设带来了日益严峻的挑战，尤其是沿海区域（Sengupta等人，2018年）。来自池塘、河流和湖泊的疏浚沉积物正是这类问题沉积物的典型代表，且其数量正在不断增加，给环境带来沉重负担。这类材料具有高含水率、低强度和高压缩性等特性，传统上被视为工程上的负担。然而，疏浚活动产生的大量此类物质，再加上传统的处理方式，如今已引发了对土地资源短缺和生态影响的严重担忧（Salimi和Ghorbani，2020年；Svensson等人，2022年；Yu等人，2021年）。因此，将这些废弃沉积物转化为可靠且可持续的建筑材料已成为当务之急，这也与可持续基础设施中清洁生产与循环经济理念相契合（Niu等人，2024年；Shu等人，2022年）。在此背景下，本研究将这些大量问题沉积物明确视为典型固体废弃物，旨在通过资源利用来解决其堆积问题。

无机粘结剂常被用于改善疏浚沉积物的高含水率与低强度问题。水泥和生石灰因其易获取且性能稳定，成为最常用的粘结剂（Schindler等人，2024年；Luo等人，2025年；Ackah等人，2026年；Forster等人，2020年）。为进一步提升效率与可持续性，飞灰、矿渣和钢渣等辅助材料越来越多地被引入到以水泥为基础的粘结剂中，从而形成复合稳定体系，进而提高微观结构的稳定性（Shi等人，2024年；Zhou等人，2024b年；Zhang等人，2024年；Lang等人，2020年）。近期关于沉积物固化的研究为多组分稳定体系的微观结构演变、力学性能提升及环境行为等方面提供了深刻见解（Lang等人，2026年；Wang等人，2026a年；Wang等人，2026b年）。此外，新型低碳粘结剂和地质聚合物也正在被广泛研究，作为替代传统高能耗粘结剂的可持续选择（Salimi和Ghorbani，2020年；Long等人，2022年）。不过，由于成熟的施工流程及较强的适应性，尤其是在需要精确控制参数的研究中，水泥和石灰依然是实际应用中最主要的粘结剂。通常通过调整水灰比、粘结剂含量以及养护时间来调控稳定效果（Long等人，2022年；Zhou等人，2024a年；Wu等人，2021年）。

尽管传统方法被广泛使用，但仍存在诸多局限。首先，稳定效果对沉积物本身的特性极为敏感，即便混合比例相同，不同地区的强度也会出现较大差异。正如岩土工程领域的众多研究所示，稳定后材料的宏观强度与微观结构演变在很大程度上受初始含水率、矿物组成及粒径分布等关键参数的控制（Horpibulsuk等人，2010年）。其次，目前还缺乏一种通用且可靠的强度发展预测模型，因此主要依赖经验判断和大量的实验室测试。最后，大多数研究仅关注宏观力学性能，很少将多尺度表征结果与机理分析纳入预测模型中。因此，目前对于不同尺度下稳定过程的全面理解仍显不足。

为提高预测精度并增强机理清晰度，人们开始引入机器学习模型。最新研究表明，梯度提升等集成学习方法在模拟稳定沉积物的无侧限抗压强度方面效果显著，其在捕捉非线性相互作用方面的表现往往优于传统回归方法（Jaffar等人，2025年）。神经网络模型在处理复杂的沉积物系统时也展现出良好潜力（Huang等人，2024年）。然而，这类方法仍存在两大缺陷。其一，许多机器学习模型属于“黑箱”结构，难以揭示其背后的物理化学作用机制。其二，由于缺乏可验证的物理可解释性，这些模型的预测结果难以与实验室实验数据相互印证，从而降低了其在不同沉积物类型和工程条件下的泛化能力。

为解决可解释性问题，人们采用了沙普利加性解释法和偏依赖图等方法（Wang等人，2025年；Nourani等人，2025年）。这些方法能够量化各特征的重要性，并直观展示特征间的相互作用，从而将研究重点从单纯的预测转向可解释的输出结果。将其整合到神经网络和集成学习框架中，可进一步提升模型的透明度，有助于优化混合料设计并深入理解其作用机理。

目前，关于沉积物稳定的研究大多仍是针对特定场地的经验性案例研究（Wang等人，2018年；Wu等人，2021年）。近年来虽已开始应用机器学习技术，但其应用仍主要局限于黑箱式预测（Zhang等人，2023年；Wang等人，2025年）。这些方法无法解析变量间复杂的非线性耦合效应，也缺乏直接的微观结构实验验证。此外，现有文献中很少探讨训练数据的可靠性与一致性问题。许多模型所依赖的数据集是在差异较大的实验条件下收集的，这从根本上削弱了其预测的稳健性（Salami等人，2021年；Leukel等人，2024年）。表1对近期具有代表性的研究与所述框架进行了系统性方法对比，以便清晰呈现这些研究缺口。现有研究大致可分为两类：一类是缺乏预测建模的传统实验表征研究；另一类则是独立的机器学习应用研究，这类研究通常缺乏多尺度物理验证及环境影响评估。

基于以上背景，本文提出了一种基于数据驱动且经过微观结构验证的框架（见图1），用于处理内陆地区疏浚沉积物的稳定问题。为克服传统经验性方法的局限性，该框架的创新之处体现在三个方面。首先，在模型可解释性方面，将沙普利加性解释法和二维偏依赖图分析独特地融入强大的机器学习模型中，以此解析多维变量间的非线性耦合效应，从而为不同特性沉积物提供通用化的预测框架。其次，在微观层面，通过XRD、TG-DTG和BET等技术进行多尺度物理化学表征，严格验证基于数据的分析结果，为人工智能模型的预测提供机理支撑。最后，在工程设计优化方面，可确定并量化粘结剂及关键沉积物参数的最佳操作阈值，从而有效避免过度设计以及过量使用高碳消耗型粘结剂，为可持续工程提供精准的指导框架。

材料部分
疏浚沉积物样本取自中国江苏省扬州市的一个池塘。这些原始沉积物的主要物理化学性质如下：初始自然含水率为64.4%，有机质含量为6.7%，pH值略呈酸性，为6.2。阿特伯格界限显示，其液限为40.9%，塑限为23.2%（由此可得塑性指数为17.7），同时砂质含量为67.6%。

基本物理化学性质与指标

无侧限抗压强度分布
如图3所示，18组实验中稳定沉积物的无侧限抗压强度差异较大，范围在0.155至1.038兆帕之间。图中还标出了每组样本的标准差误差，以反映实验结果的变化情况。蓝色虚线表示所有样本的无侧限抗压强度平均值，为0.38兆帕。插图展示了材料的宏观破坏模式，这些样本均表现出典型的脆性破坏特征，即会出现明显的对角线状剪切裂纹。

水泥
模型构建与数据集
本研究采用人工神经网络构建了一个用于预测稳定沉积物抗压强度的模型。这种数据驱动的方法非常适合用来捕捉环境和土木工程领域中常见的复杂非线性关系（Salami等人，2021年；Huang等人，2023年）。研究者从18项已发表的研究中整理出了一个包含110个有效数据点的综合数据库。为确保数据一致性，所有强度值均被统一换算为28天无侧限抗压强度值。

用于微观结构分析的样本选取
基于对材料综合力学性能的分析，共选取了8个代表性样本，用以研究5个关键参数所产生的微观结构变化机制。其中7个样本来自正交实验设计，用于代表不同的参数组合；另外还加入了一个对照样本（样本0），旨在单独分析含水率对孔隙结构演变的具体影响。对这些样本的表征工作旨在揭示……

清洁生产的环境与经济意义
将可解释的机器学习方法与多尺度微观结构分析相结合，为降低碳排放、实现可持续基础设施建设提供了一种富有前景的途径。在传统的疏浚沉积物稳定处理中，由于缺乏精确的预测工具，人们往往采取保守的“过度设计”策略，即通过增加粘结剂用量（例如，水泥用量超过15%，且含有较高比例的生石灰）来确保安全系数，尤其是在处理那些特性特殊的沉积物时……

结论
本研究从实验和理论层面深入分析了水泥-石灰稳定疏浚沉积物的强度预测机制及其内在原理。通过正交实验设计，系统地量化了多种参数对无侧限抗压强度的影响及相互作用。研究者构建了一个强大的多参数机器学习模型，可用于不同特性沉积物的无侧限抗压强度统一预测。此外，多尺度微观结构分析进一步阐明了相关的物理化学机制……

CRediT作者贡献说明
刘伟涛：写作——审稿与编辑、写作——初稿撰写、方法论、正式分析。袁思琪：写作——审稿与编辑、方法论、资金获取。卢春华：资金获取、正式分析、数据整理。谢桂华：数据整理。

利益冲突声明
作者声明存在以下可能构成利益冲突的财务利益或个人关系：卢春华表示获得了中国国家自然科学基金的资金支持；袁思琪则表示获得了江苏省青年科学家自然科学基金的资助。其他作者则声明自己不存在任何已知的、可能构成利益冲突的财务利益或个人关系。

致谢
本研究得到了中国国家自然科学基金（项目编号：52478177）以及江苏省青年科学家自然科学基金（项目编号：BK20240876）的财政支持。

刘伟涛|卢春华|袁思琪|谢桂华