基于残差注意力增强机器学习与多目标优化的碱激发矿渣混凝土可持续配合比设计

《Sustainable Materials and Technologies》：Sustainable mixture design of alkali-activated slag concrete using residual attention-enhanced machine learning and multi-objective optimization

　　

摘要胶凝材料的清洁生产需要能够保持强度同时降低成本、碳排放和能耗的配合比设计方法。碱激发矿渣混凝土是普通硅酸盐水泥混凝土一种有前景的低碳替代方案，但由于其强度受前驱体化学、激发剂特性、配合比、养护条件和试件参数影响，难以准确设计。本研究开发了一种用于碱激发矿渣混凝土强度预测和可持续配合比设计的可解释数据驱动框架。首先，建立了一个包含来自已发表研究的 1277 个有效样本的数据库。然后，开发了一种残差注意力增强的 CatBoost 模型以提高预测准确性，特别是针对难以预测的样本。与几种常用的机器学习模型相比，提出的模型取得了最佳的测试性能，R2 = 0.985，MAPE = 4.94%，MAE = 1.579 MPa，RMSE = 2.233 MPa。模型解释确定了控制抗压强度的关键因素，包括养护龄期、前驱体组成、激发剂特性、水含量和养护条件。预测模型进一步与多目标优化耦合，以设计满足强度要求且生产成本、隐含碳排放和隐含能量较低的 C30 和 C50 配合比。与传统水泥混凝土相比，优化后的配合比在 C30 和 C50 中分别将成本、碳排放和隐含能量降低了 45.47%、88.57%、61.22% 和 29.46%、76.33%、37.85%。提出的框架提供了一种透明且以优化驱动的方法，将工业副产品转化为低碳建筑材料。

引言 2024 年，中国水泥年产量达到 18.25 亿吨 [1]。因此，基于波特兰水泥的材料仍被大规模使用。然而，在生产和使用阶段仍存在重大限制 [2]。水泥制造是高度资源密集和能源密集型的，并产生大量的颗粒物排放和有害气体，包括 CO2、CO、NOx 和 SO2。这种高能耗和高污染物排放的组合对生态环境构成了持续的风险 [3], [4]。因此，开发普通硅酸盐水泥混凝土的低碳和资源高效替代品已成为建筑部门向清洁生产转型的重要途径。

基于碱激发矿渣 (AAS) 的路面材料作为一种可持续的替代方案引起了越来越多的关注，其中高炉矿渣被用作主要前驱体。在碱性激发下，矿渣中的潜在反应相溶解并重组形成 C-(A)-S-H 凝胶，从而结合骨料并提供机械强度和耐久性。与普通硅酸盐水泥混凝土相比，基于 AAS 的材料需要少量或不需熟料煅烧，从而在减少隐含 CO2 排放和能耗方面具有巨大潜力。这一特性使其在促进建筑材料行业脱碳和工业副产品增值方面特别具有吸引力。然而，AAS 系统的性能受多个耦合变量控制，包括激发剂类型、硅酸盐模数 (SiO2/Na2O)、Na2O 含量、水固比、骨料特性、矿物掺合料比例和养护条件。由于这些因素之间强烈的相互作用，AAS 材料的组成 - 性能关系具有高度非线性 [5]。传统的单因素实验往往无法捕捉这种复杂的关系，因此配合比设计仍然严重依赖经验判断。这一局限性降低了设计效率并增加了实际应用中的不确定性。在路面工程中，挑战进一步被放大，因为路面材料不仅被期望满足机械性能要求，还被期望同时减少隐含碳和隐含能量。

一般来说，材料设计可以通过实验驱动、理论驱动或计算驱动的方法来推进。实验驱动方法通常依赖重复的试错程序，其中配合比和工艺参数被不断调整，然后通过实验室测试进行评估。这种方法耗时、昂贵，且对于高维参数空间系统往往效率低下 [6], [7], [8]。理论驱动方法需要准确的结构描述符、热力学参数以及原子尺度或多尺度模型 [9]，其适用性往往受限于不完整的理论理解和有限的数据可用性。计算驱动策略可以提供对材料行为的有用见解，但其实际使用可能仍受计算成本和硬件要求的限制 [10]。相比之下，机器学习为可持续材料设计提供了一条有前景的数据驱动途径。通过学习复杂和高维数据集中的预测模式，机器学习可以建立材料描述符与目标性能之间的稳健映射 [11]。当与多目标优化集成时，这些预测模型可以进一步支持识别平衡机械性能、经济成本和环境影响的配合比设计，从而为更清洁和更可持续的材料开发提供高效框架。

为了解决碱激发矿渣混凝土抗压强度预测和可持续配合比设计的挑战，本研究提出了一种基于残差注意力优化的 CatBoost 模型，称为 RAO-CatBoost。该方法将残差注意力重加权集成到 CatBoost 梯度提升框架中，以增强在强非线性和不平衡数据分布下的学习能力。首先，训练一个基线 CatBoost 模型并获取预测残差。然后，将残差幅度通过平方放大转换为样本权重，并引入注意力强度参数以调节对高残差样本上调权重的程度。这些权重通过样本权重机制纳入模型训练，将经验风险最小化转变为加权经验风险最小化。同时，重新加权的样本也会影响有序提升中的梯度估计，使得每次提升迭代优化的是注意力加权的有序梯度而不是常规的有序梯度。通过这种方式，提出的策略增强了模型从难样本和误差集中区域学习的能力。此外，RAO-CatBoost 被用作快速代理模型，并与多目标进化算法耦合，以获得关于抗压强度、成本、隐含 CO2 排放和隐含能量的帕累托最优解。引入了实际约束，包括水固比、砂率和体积守恒，以确保产生的最优配合比仍可用于工程实施。总体而言，本研究为高性能和低影响的碱激发矿渣路面混凝土设计建立了一个数据驱动框架，有助于清洁生产、资源高效材料设计和可持续基础设施发展。

章节片段
碱激发矿渣混凝土数据库
为了开发一个用于预测碱激发矿渣混凝土 (AASC) 抗压强度的机器学习模型，我们从公开文献和相关专业数据库中汇编了 1277 条有效数据记录 [12], [13], [14], [15], [16], [17], [18], [19], [20], [21], [22], [23], [24], [25], [26], [27], [28], [29], [30], [31], [32], [33], [34], [35], [36], [37], [38], [39], [40], [41], [42], [43], [44]。该数据集涵盖了前驱体化学（以矿渣为主的系统）与

CatBoost
CatBoost 是一种梯度提升决策树算法，旨在减少传统梯度提升决策树 (GBDT) 在处理分类特征和估计梯度时常见的偏差。它通过有序提升、有序目标统计和对称树来实现这一目标 [46]。加法模型更新为 Fmx=Fm?1x+ηhmx，其中 Fmx 是迭代 m 时的集合，hmx 是基础学习器，η 是学习率，x 表示输入样本。在迭代 m 时，

注意力强度参数对 RAO-CatBoost 性能的影响
注意力强度参数 λ 对 RAO-CatBoost 性能的影响在区间 [0,100] 内以 0.02 的网格步长进行了评估。如图 5 所示，三种残差注意力策略，即线性、平方和指数加权，对 λ 的增加表现出明显不同的响应。基线 CatBoost 模型的测试集 R2 为 0.9827，而残差注意力机制在适当的加权策略和

基于 SHAP 的可解释性分析
如图 11 所示的局部加权回归散点平滑 (LOESS) 增强的 SHAP 依赖图所示，配合比组成、激发剂设计、养护条件和试件特性对预测抗压强度的影响具有高度非线性。在这些图中，散点代表单个 SHAP 值，LOESS 曲线描述平均模型推断趋势，95% 置信带表示估计依赖性的不确定性。因此，

多目标优化算法
碱激发矿渣混凝土的配合比设计需要同时优化多个目标，包括机械性能、经济成本和能耗/环境足迹。因为这些目标往往是相互冲突的，所以该任务构成了一个典型的多目标优化问题。为了系统地解决它，本研究采用多目标进化算法 (MOEAs) 作为核心优化框架，并比较了三种

结论
本研究开发了一种用于碱激发矿渣混凝土抗压强度预测和可持续配合比设计的可解释数据驱动框架。建立了一个包含 1277 个有效样本的文献衍生数据库，涵盖前驱体化学、激发剂参数、配合比、养护条件、骨料组成和试件特性。可以得出以下结论。
1. 提出的 RAO-CatBoost 模型取得了最佳的预测

CRediT 作者贡献声明
Yingli Gao: 写作 – 回顾与编辑，监督，项目管理，方法论，资金获取，概念化。Bin Tian: 写作 – 初稿，可视化，软件，形式分析，数据整理。Juncai Zhu: 写作 – 回顾与编辑，验证，调查。Yehua Liu: 验证，资源，数据整理。Yuelin Li: 写作 – 回顾与编辑，监督。Wei Li: 写作 – 回顾与编辑，监督。Zuodong Cheng: 写作 – 回顾与编辑，监督。

利益冲突声明
作者声明他们没有任何已知的竞争性财务利益或个人关系可能影响本文报告的工作。

致谢
作者衷心感谢国家自然科学基金 (52278239) 和 (52308234)、湖南省青年学生基础研究自然科学基金 (2025JJ60892) 和湖南省研究生科研创新项目 (LXBZZ2024234) 的财政支持。

Yingli Gao|Bin Tian|Juncai Zhu|Yehua Liu|Yuelin Li|Wei Li|Zuodong Cheng
湖南省新型与碳中和道路材料工程技术研究中心，长沙科技大学，中国长沙 410114