评估监督式机器学习模型预测高炉矿渣掺入混凝土力学强度的准确性

为何更聪明的混凝土很重要

混凝土构筑了我们的城市，但生产将其粘结在一起的水泥会排放大量二氧化碳——约占全球排放的8%。一种有前景的减碳途径是用钢铁冶炼等工业副产品（如高炉矿渣）替代部分普通水泥。问题在于：要找到既强且耐久又低碳的配方，通常需要数月的实验室工作。本研究表明，现代机器学习可以在很大程度上在虚拟环境中完成这种反复试验，加速更环保混凝土的设计。

来自炼钢的一种更清洁的原料

高炉矿渣是在将铁矿石冶炼成生铁时产生的副产物。当这种熔融副产物被迅速冷却并研磨成细粉时，它表现出类似缓慢起效的胶凝性。掺入混凝土后，它与水泥水化过程中形成的化合物反应，生成额外的结合凝胶，从而收紧内部孔隙。其好处有三方面：所需水泥减少（从而降低CO₂排放）、对盐和酸等化学侵蚀的抗性增强、并且强度在更长时间内继续增长。但性能对掺入量、与其他材料的相互作用以及养护时间等因素高度敏感。

把分散的实验汇成一个数据集

研究人员没有为每一种可能的配比都做新试验，而是梳理了先前的研究和公开数据集，关于含矿渣的混凝土。他们汇编了675条数据记录，每条描述一种混凝土配方及其测得的抗压强度（在破碎前能承受的压力）。跟踪了八个关键成分和条件：水泥、高炉矿渣、粉煤灰、粗骨料和细骨料、水、以及一种称为高效减水剂（超塑化剂）的外加剂，另加养护龄期（天）。所有数值都经过核对、统一单位、剔除明显错误并按比例缩放，以便机器学习模型可以在同一尺度上比较各变量。

训练机器来预测混凝土强度

有了这个数据库，团队训练了六种不同的监督式机器学习模型，用配比设计来预测抗压强度：AdaBoost、单棵决策树、梯度提升（Gradient Boosting）、k近邻（k-Nearest Neighbors），以及两种先进的基于树的方法 LightGBM 和 XGBoost。他们用80%的数据进行训练，20%用于测试各模型对新、未见配方的处理能力。为避免过拟合——即模型记住了过去的数据但在实际中表现不佳——研究者通过网格搜索和交叉验证系统地调优模型参数，并使用决定系数（R²）及若干误差统计量等标准准确性指标来评判性能。

在更环保配比中什么决定强度

表现最好的两种模型 LightGBM 和 XGBoost 能以高精度重现实验室强度，在测试数据上捕捉了超过94%的变异。为了让这些“黑盒”模型更具可解释性，作者采用了SHAP（为每个输入分配预测贡献的方法）和偏依赖图，后者显示在其他变量固定时改变某一变量如何影响预测强度。这些工具揭示，养护龄期具有最大的正向影响：更长的养护通常意味着更高的强度。超塑化剂和水泥含量次之，通过改善颗粒堆积和减少多余用水来提升强度。水本身表现出强烈的负效应——过多会削弱配合物——而高炉矿渣在一定程度上有助于强度提升，但在超过某点后趋于平缓。

找到矿渣的最佳掺量区间

通过在不同矿渣含量上对模型进行扫描，研究者确定了一个最佳置换窗口：当高炉矿渣占胶凝材料总量的大约30–40%时，混凝土往往能达到更高的抗压强度，尤其是在28天及以后养护龄期。将矿渣比例推得更高，特别是超过50%，常常会减缓早期强度增长，这对施工进度可能至关重要。从许多小型研究中提炼出的这些见解提供了实用指导：工程师可以自信地以这一中间矿渣区间为目标，在不为每个工程做大量试验的前提下平衡强度、耐久性与碳减排。

对未来建筑的意义

对非专业读者而言，关键结论很直接：计算机现在可以从过去的混凝土实验中学习得足够好，在还未搅拌一次试验配合比前就提出强且低碳的配方建议。在这项工作中，LightGBM 模型表现略优于 XGBoost，但两者都足够精确且可解释，能够显示哪些成分最重要以及矿渣在哪些情形下表现最佳。这种速度与透明度的结合意味着设计者可以减少时间、成本与材料浪费，同时更好地利用工业副产物。随着数据集的增长和标准化，此类工具有望帮助建筑行业在保证安全耐久的前提下，缩小其气候影响。

引用: Sobuz, M.H.R., Majumder, S., Afrin, M.S. et al. Evaluating the predictive accuracy of supervised machine learning models to explore the mechanical strength of blast furnace slag incorporated concrete. Sci Rep 16, 6712 (2026). https://doi.org/10.1038/s41598-026-36437-x

关键词: 高炉矿渣混凝土, 机器学习, 抗压强度, 可持续建设, 水泥替代