通过实验数据库、建模与统计验证的物理引导机器学习框架用于再生骨料混凝土

把旧混凝土变成新资源

每年都有数十亿吨来自拆除建筑和道路的破碎混凝土被当作废料处理，尽管其中很大一部分可以被重复利用。本研究通过将细致的实验室测试与现代机器学习相结合，探索如何将这些碎石转化为可靠的新混凝土。目标是在不牺牲安全性的前提下，使建筑更可持续，明确地确定可使用的再生材料数量以及在何种条件下可以使用。

为何重用混凝土并非简单之事

再生混凝土骨料来自将旧混凝土破碎成较小颗粒，用以替代新建工程中通常开采的砾石和砂。使用它可以减少废弃物、采石以及运输产生的排放。但这些再生颗粒仍然带有旧砂浆残留和微小裂缝，使其比天然岩石更具孔隙性且均一性较差。因此，使用再生骨料制成的混凝土可能强度下降且更难预测。工程师需要明确可信的规则，说明不同含量、粒径和原始质量的再生骨料如何影响新混凝土的强度。

构建详实的实验图景

为了解答这些问题，研究者开展了一系列全面的混凝土配合比试验，使用来自六种不同原始强度等级的再生材料，范围从非常弱到强结构混凝土不等。他们将再生骨料分为三种粒径带——细、 中等和砾石尺寸，并用它们替代10%到50%的天然骨料，同时始终保持相同的水泥和水条件。对每种配合比测量了抗压强度（承受挤压的能力）、劈裂抗拉强度（在拉伸下的表现）和抗弯强度（弯曲性能）。在所有测试中，随着再生骨料比例增加，强度一贯下降，但下降幅度强烈依赖于颗粒尺寸和原始混凝土的质量。细粒再生颗粒由于附着较多旧砂浆和孔隙，对强度的损害最大，而粗颗粒和砾石状颗粒的危害较小。

发现安全上限与关键影响因素

实验结果揭示了可指导实际施工的有用设计规则。当再生材料来源于低强度母材时，替代30%天然骨料会导致抗压和抗拉强度出现两位数百分比的损失，尤其是在使用细粒情况下。相比之下，当再生骨料来源于高强度混凝土时，30%替代时的强度损失很小，整体性能仍可满足结构使用。在多组试验中出现了一个一致的“拐点”：含有10%或20%再生骨料的配合比通常能保留较好的强度，而超过大约30%则会带来明显下降，尤其是当原材料较弱或使用更细粒级时。这些规律与早期研究相符，表明并非所有再生骨料都相同——质量与粒径很重要。

教机器尊重物理规律

由于进行无休止的实验室测试不现实，团队转向机器学习来预测未物理测试过的新组合的强度。他们没有仅向计算机提供原始数据，而是引入了所谓的物理引导框架。首先，他们对试验结果进行了仔细清理与整理，然后通过在窄而现实的范围内轻微调整配合参数和强度，创建额外的“合成”数据点，以反映常见实验室变异性。接着，他们使用了一种先进的过采样方法来填补测试配合之间的空白，但仅沿着在物理上合理的方向进行。这些丰富的数据集用于训练两种流行的集成模型——XGBoost和LightGBM，以及一些便于工程师使用、概括主要趋势的简单线性替代方程。

预测效果如何

模型训练完成后，在完全未见过的测试配合上进行了评估。它们对抗压和劈裂抗拉强度的预测与测量值高度一致，误差保持在重复实验常见的范围内。模型在抗拉强度上的准确性尤其突出，因为随着再生骨料增加而产生的退化模式更平滑、更易捕捉。重要的是，作者检验了强度随再生含量增加而下降的预测并非统计上的偶然：标准统计检验表明这些趋势既强烈又高度显著。通过比较有无物理引导数据扩展的模型版本，他们发现物理引导的方法虽然在一些显眼的准确性指标上略逊一筹，但在高替代率、数据稀疏的区域表现出更稳定且更符合现实的行为。

对更绿色建筑的意义

通俗地说，这项工作表明可以使用计算模型设计更环保的混凝土配合，依赖再生材料而不是把物理规律当作事后考虑。研究证实，适量高质量的再生骨料——尤其是来自强度较高旧混凝土的较粗颗粒——可以安全地替代相当份量的天然骨料。与此同时，它展示了机器学习如何通过尊重已知的限制和趋势来保持与现实行为的接轨。这类具有物理意识的预测工具可以帮助工程师更好、更快地做出配合比设计决策，支持再生混凝土的更广泛采用，同时保持结构的安全与可靠。

引用: Mohamud, M.A., Alasiri, M.R., Özdöner, N. et al. Physics-guided machine learning framework for RCA concrete by experimental database, modelling, and statistical validation. Sci Rep 16, 7907 (2026). https://doi.org/10.1038/s41598-026-38554-z

关键词: 再生混凝土骨料, 可持续建设, 材料中的机器学习, 数据驱动配合比设计, 混凝土强度预测