基于机器学习模型的废旧轮胎再生橡胶水泥复合材料抗压强度预测研究

《Materials》：Empirical Determination and Modelling of Compressive Strength of Cement Composites with Waste Tyre Rubber

　　

摘要

将废旧轮胎橡胶掺入水泥复合材料中可能成为一种减少轮胎废物的可持续策略，同时也能保护自然资源。准确预测抗压强度对于新材料的高效开发与应用至关重要。本研究展示了实验研究成果及提出了一种新的机器学习建模框架，旨在预测含有源自报废汽车轮胎的再生橡胶的传统及橡胶改性水泥复合材料的抗压强度。研究人员利用 48 个混凝土试件和 40 个砂浆试件的抗压强度测试实验数据集开发了预测模型，橡胶含量各不相同。实验结果表明，提高配合比设计中废旧橡胶的百分比会对抗压强度产生负面影响，导致砂浆的抗压强度降低高达 96.06%，普通波特兰水泥混凝土降低高达 64.4%，抗硫酸盐水泥混凝土降低高达 60.7%。借助 DTREG 预测建模软件，本研究实施了三种软计算技术：广义回归神经网络 (GRNN)、径向基函数神经网络 (RBFNN) 和支持向量机 (SVM)。同时实施并比较了传统的线性回归 (LR) 模型与这三种机器学习模型。这些模型利用不同配合比的实验测量结果进行训练。模型性能采用标准估计量进行评估：决定系数 (R²)、相关系数 (r) 和平均绝对百分比误差 (MAPE)。在预测砂浆强度方面，GRNN 展现了最佳的预测能力，在原始数据集上 MAPE 为 4.6%，R² 为 99.27%；在归一化数据集上，MAPE 为 3.9%，R² 为 99.65。在预测混凝土强度方面，GRNN 在原始数据集上也优于其他模型，MAPE 为 3.8%，R² 为 98.4%。橡胶含量被确定为影响抗压强度最具影响力的参数，而密度、外加剂条件、水灰比和养护龄期也对模型性能有所贡献。由于预测变量与目标变量之间存在显著的复杂非线性相互作用，而线性框架无法对其充分建模，因此 LR 模型在所有评估的算法（模型）中预测准确度最低。在所研究的实验范围内，所开发的模型显示出较高的预测准确度，可用于具有相似特征的混合物的初步强度估算与插值。