矿渣掺量主导常温养护碱激发砂浆抗压强度：一项实验与集成机器学习研究

《Buildings》：Slag Content Governs Compressive Strength of Ambient-Cured Alkali-Activated Mortars: An Experimental and Ensemble Machine Learning Study

　　

碱激发材料（AAM, Alkali-Activated Materials）是普通波特兰水泥（OPC, Ordinary Portland Cement）的可持续替代体系，但常温养护下激发剂与前驱体参数的相对重要性尚未量化，且基于文献训练的模型很少用独立新配合比验证。研究人员制备了十二组粉煤灰–粒化高炉矿渣（GGBS, Ground Granulated Blast-Furnace Slag）砂浆，采用2×2×3因子设计，变化Na2O掺量（4%与5%）、硅模数（1.0与1.5）及粉煤灰/GGBS比例（70:30、50:50、30:70），水胶比恒为0.50，胶砂比恒为0.33，测试流动度、7天、14天、28天抗压强度、吸水率及扫描电镜（SEM, Scanning Electron Microscopy）形貌。四个集成模型在361条公开记录上训练，并在保留配合比上测试。常温养护强度为31.83–57.91 MPa，95%强度在14天前发展完成。因子分析显示粉煤灰/GGBS比影响最大（Δ=18.83 MPa），其次Na2O掺量（Δ=3.83 MPa），硅模数影响最小（Δ=0.31 MPa）；GGBS比例越高，吸水率越低，SEM下基体更致密。LightGBM（Light Gradient Boosting Machine）交叉验证精度最高（R2=0.793；区间0.738–0.793）。前驱体钙含量主导常温体系强度，可在无力学损失下降低硅酸钠用量，数据驱动设计可作为实验筛选工具，提升应用层面配合比选择效率。

论文解读：《Buildings》刊载的该项研究以常温养护粉煤灰–粒化高炉矿渣（GGBS, Ground Granulated Blast-Furnace Slag）碱激发砂浆为对象，回应水泥行业高碳排放与碱激发材料（AAM, Alkali-Activated Materials）配合比设计依赖试错、文献模型缺乏独立验证的现实问题。

研究背景方面，普通波特兰水泥（OPC, Ordinary Portland Cement）生产释放大量CO₂，占全球排放约7%–8%。AAM由粉煤灰、GGBS等铝硅酸盐前驱体与氢氧化钠（NaOH）、硅酸钠（Na₂SiO₃）等碱性激发剂反应形成N-A-S-H或C-(N)-A-S-H凝胶，具备低碳优势。但常温养护下，激发剂化学与前驱体化学何者主导抗压强度并不清楚；单因素实验无法解析交互效应，已有机器学习模型多用文献数据内部评估，未用新原料源独立配合比外推验证，参数层级与可迁移性未量化。

研究人员据此开展融合实验与集成机器学习的研究：以印度单一来源Class F粉煤灰与JSW产GGBS为前驱体，设2×2×3全因子设计共12组砂浆，水胶比0.50、胶砂比0.33，常温脱模养护至7、14、28天；同时汇编361条同行评审文献记录，训练梯度提升（GB, Gradient Boosting）、XGBoost、LightGBM与随机森林（RF, Random Forest）四类树集成模型，并将12组新拌配合比作为外部比对集。

主要关键技术方法上，研究人员采用全因子实验设计隔离前驱体源差异，用流动台、压缩试验机、ASTM C642吸水率法与SEM做性能与微结构表征；数据端从文献抽取环境养护、钠基激发、六输入变量齐全的记录，把Na₂O掺量与硅模数Ms=SiO₂/Na₂O换算为NaOH摩尔浓度与SS/SH比，用log(1+粉煤灰/GGBS)处理组成冗余，再做特征删减消融、Pearson相关与排列重要性分析；模型端以分层K折交叉验证、固定随机种子、超参网格搜索与出版源分组验证评价泛化性，不以内部测试集选优。

研究结果如下。

工作性（Workability）：流动值163–200 mm，高粉煤灰组因球形颗粒流动性最好，高GGBS组因比表面积大流动下降，硅模数升高使激发剂黏度上升、流动进一步降低。

抗压强度（Compressive Strength）：28天强度31.83–57.91 MPa，12组平均7天达78.6%、14天达95.4%。全因子主效应显示粉煤灰/GGBS比Δ=18.83 MPa居首，Na₂O由4%升至5%带来Δ=3.83 MPa，硅模数Ms由1.0升至1.5仅Δ=0.31 MPa。GGBS提高促进钙富集凝胶C-A-S-H与N-(C)-A-S-H形成，Ms=1.0且Na₂O=5%、30:70组强度最高（57.91 MPa）。

吸水率（Water Absorption）：吸水率随GGBS增加而由约6%降至约3%，与强度趋势相反，反映连通孔减少、基体密实度提升。

SEM：最强组C-6断面均匀、未反应颗粒少、孔隙少；Ms=1.5组C-9断面见棱角未反应颗粒与开裂，C-12介于二者间，说明高硅模数增黏、降溶解，损害微观密实性。

数据收集与结构化（Data Collection and Structuring）：361条文献记录涵盖更广0–100%前驱体区间；相关分析确认粉煤灰与GGBS含量完全负相关，组成类特征冗余；消融表明删去冗余组成特征R²变动不超0.006，最终采用GGBS含量、NaOH摩尔浓度、SS/SH比、水胶比与log(1+粉煤灰/GGBS)特征集；排列重要性依次为NaOH摩尔浓度、水胶比、log(1+粉煤灰/GGBS)、SS/SH比。

学习模型描述（Description of Applied Learning Models）：GB按顺序修正残差最小化平方误差；XGBoost加正则项抗过拟合；LightGBM用直方图分箱、叶向生长、GOSS与EFB提效；RF用自助采样与随机特征选择做袋外重要性评估。四类均为预测工具，机理解释由因子实验与SEM提供。

模型表现（Model Performance）：记录级分层交叉验证R²约0.740–0.791，LightGBM较优；出版源分组交叉验证R²跌至负值（?0.654至?0.231），说明同文献内记录非独立。外部12组上所有模型系统性低估，LightGBM在90/10划分RMSE=10.09 MPa、MAE=7.77 MPa最优；XGBoost对低激发剂区12组几乎不分辨（9.68–11.21 MPa），证实需本地校正。记录级指标不能代表跨原料源泛化能力。

讨论与结论翻译：前驱体钙含量而非激发剂精细化学，主导常温养护AAM强度；粉煤灰/GGBS比是首要控制参数，Na₂O掺量次之，硅模数影响可忽略。研究人员可用文献训练集成模型复现组成排序，但绝对强度在激发剂边界外推时须校准。LightGBM可作配合比预筛工具：在保持力学性能下降低硅酸钠用量与隐含碳，把实验资源集中于高潜力区。该研究把实验因子分析、微结构证据与机器学习预测联结，证明数据驱动框架在AAM配合比向应用层推进中的筛选与解释价值；模型非机理模型，跨体系、极端配合比与耐久性评价仍须扩数据与不确定性量化。