综述：机器学习辅助纳米材料增强建筑材料性能的文献计量分析与定性综述

《Nanomaterials》：Machine-Learning-Driven Performance Optimization of Nano-Modified Construction Materials: A Bibliometric Analysis and Systematic Review

　　纳米材料通过密实填充、成核作用、界面调控、裂纹桥接、阻隔效应和功能性响应，能够改善建筑材料的初始状态性能、力学性能、耐久性及多功能性。这些优势取决于材料、工艺、基体和服役变量之间的耦合关系，使得传统的试错开发方法效率低下。机器学习（ML）为解析非线性的"组成—工艺—结构—性能"关系提供了一条数据驱动的路径。本综述将基于CiteSpace的Web of Science核心合集（WoSCC）文献计量分析与针对ML辅助研究的结构化定性综合分析相结合，研究对象涵盖零维纳米颗粒、一维高长径比纳米材料、二维层状纳米材料、功能性纳米材料、碳点以及新兴的杂化体系。年度发文量从2012年的4篇增长至2025年的268篇，且ML在近期展现出最强的关键词突现强度（突现强度=22.57）。在各代表性研究中，测试集的判定系数（R2）通常介于0.858至0.995之间，但验证设计与数据独立性的差异较为显著。基于树的集成方法在中小规模表格数据集上通常效果较好，而深度学习则在图像、光谱和时间序列数据上更具说服力。预测方法用于估计指定配方下的性能，而优化则利用已验证的代理模型在配方或工艺空间中进行搜索，因此需要独立的实验验证。纳米二氧化硅（Nano-SiO?）、碳纳米管和氧化石墨烯在现有证据中占据主导地位，而耐久性、微观结构、不确定性量化以及多功能协同优化方面的研究仍然不足。要实现可靠的人工智能设计，需要基体感知的标准化数据库、受物理约束的模型、分组或外部验证以及闭环实验。文献计量分析部分涵盖2012年至2026年间发表的1324条WoSCC记录，而定性分析部分则依据建筑相关性、ML任务定义以及性能与验证报告的充分性制定明确的筛选标准。因此，文献计量模式和定性证据被分开报告与阐释。