使用基于回归的机器学习模型预测碳化再生骨料混凝土的抗压强度

把旧混凝土变成气候盟友

每年，城市都会拆除大量混凝土，碎块被送往填埋场，而采石场又不得不提供新的石料。本文研究了一种闭环方法：把破碎的废混凝土回收利用，用于固存二氧化碳，然后用现代机器学习工具预测这种更环保混凝土的强度。对于关注气候友好型城市和更聪明地利用数据的人来说，这项工作展示了人工智能如何帮助工程师用旧料设计更安全、更可持续的建筑。

为何再利用混凝土很重要

混凝土无处不在——道路、桥梁、高楼——其生产消耗大量天然岩石和能源，同时排放大量CO₂。通过粉碎旧混凝土得到的再生混凝土骨料，可以减少开采和填埋废弃物，从而缓解这种压力。但问题是：这些再生骨料通常带有残余水泥浆，表面更多孔、强度低于天然骨料。这通常导致用再生骨料制成的新混凝土在强度和耐久性方面不如人意，这对结构安全是一项严重顾虑。

用CO₂使废混凝土更坚固

为了解决这一问题，研究人员转向了碳化工艺，即有意引入CO₂使其与旧水泥浆中的化合物反应。在再生骨料内部，二氧化碳生成固体矿物，填充孔隙、闭合微裂缝并加强与新混凝土结合的接触区。这不仅改善了材料性能——提高密度、降低吸水率——还将CO₂存储在混凝土中，把废料变成了一个小型的碳汇。研究集中在用这些碳化再生骨料制成的混凝土上，并提出了一个关键问题：我们能否在不做无尽实验的情况下，准确预测这种更环保混凝土的强度？

教计算机预测强度

作者汇集了来自先前实验的108个经过精确测量的混凝土样本。对于每个样本，他们记录了配比（如水灰比及细骨料和粗骨料用量）、骨料性能（吸水率和抗压碎强度）、原始“母体”混凝土的强度、再生骨料吸收的CO₂量，以及以再生料替代天然石料的比例。随后，他们训练了几种回归类机器学习模型——从简单的线性模型到更灵活的决策树与集成方法——以学习这些输入与最终抗压强度之间的关系。

用智能模型理清复杂配合比

许多测得的成分高度相关，这会让传统统计方法感到混淆。为简化分析，研究团队将相关变量组合为两个复合指标：一个描述整体配比，另一个概括骨料性能。然后他们将使用完整详细数据训练的模型与使用这些紧凑指标训练的模型进行了比较。简单线性方法表现尚可，但在处理数据中弯曲、交织的关系时力有不逮。相比之下，基于树的集成方法——决策树、随机森林和LightGBM——以卓越的精度捕捉到了这些模式，使典型预测误差维持在略高于1兆帕的范围，并解释了测试中超过99%的变异性。

哪些因素对绿色高强混凝土最重要

为了解释表现最佳模型的“黑箱”，研究者使用了SHAP，一种显示各输入通常如何推动预测上升或下降的技术。他们发现，配合比——特别是水泥、骨料与水之间的平衡——是控制强度的主导因素。再生骨料的碳化程度也起到重要但非线性的作用：一般来说更多的CO₂处理有益，但其效果依赖于原始母体混凝土的质量。骨料性能的组合指标影响适中，而单纯提高再生骨料的占比不如把配合设计和处理工艺做到位那样重要。

从实验室数据到实用设计

简单来说，这项研究表明，碳化再生骨料混凝土在配方精心调整的前提下，可以兼顾气候考虑与强度要求。现代机器学习，尤其是基于树的集成模型，能够从一组可控的配比和材料参数中准确预测强度，从而减少对每种新组合进行耗时试验的需求。对于工程师和规划者而言，这意味着在数据驱动工具的指导下，设计出既能重复利用旧混凝土、固存CO₂又能满足严格安全标准的结构，正变得越来越现实。

引用: Gebremariam, H.G., Taye, S. & Tarekegn, A.G. Compressive strength prediction of carbonated recycled aggregate concrete using regression based machine learning models. Sci Rep 16, 5825 (2026). https://doi.org/10.1038/s41598-026-36197-8

关键词: 再生混凝土, 碳化, 机器学习, 抗压强度, 可持续建设