使用基因表达编程 (GEP) 与随机森林对橡胶化混凝土力学性能建模：一项比较研究

把旧轮胎变成更坚固、更环保的建筑材料

每年有数十亿条轮胎报废，常被丢弃到填埋场或非法弃置点，带来火灾和污染风险。与此同时，建筑行业消耗大量砂、砾石和能源，对气候变化贡献甚巨。本研究探讨了一种同时应对这两类问题的方法：将废旧轮胎磨碎并把橡胶引入混凝土，然后利用先进的计算工具预测这种“橡胶化”混凝土的强度，从而减少繁复的实验室测试。

为什么要把橡胶掺入混凝土？

混凝土是现代基础设施的支柱，但其原料的生产，尤其是水泥和天然骨料，既耗能又消耗自然资源。通过用废旧轮胎橡胶替代部分砂和砾石，工程师可以减少对原生材料的需求并阻止废胎进入垃圾场。橡胶颗粒还能赋予混凝土一些有益特性：吸收冲击、降低噪音，并提高耐磨和耐温变化的能力。然而，加入橡胶通常会削弱混凝土的抗裂和抗拉能力。要精确测定每种配方变化对强度的增减，传统方法需要大量耗时且昂贵的实验。

让计算机从既有实验中学习

为了避免手工测试每一种可能的配比，研究者转向机器学习——那些能从数据中发现模式的计算方法。他们汇集了来自全球的112组橡胶化混凝土实验数据。每条数据记录了独特的配方，包括粗细骨料、碎橡胶与橡胶粉、称为高效减水剂的化学添加剂、水灰比以及混凝土龄期。对每个配方，记录了两个关键性能：抗弯强度（梁抵抗弯曲的能力）和劈裂抗拉强度（抵抗拉裂的能力）。利用这套合并数据库，团队并行训练了两种不同的机器学习模型，以比较哪种能够更好地预测这些强度。

计算机“思考”的两种不同方式

第一种方法，基因表达编程，有点类似自然界的进化。它从许多随机的数学公式开始，通过模拟变异与重组不断改进，最终生成可读的方程，将配料与强度联系起来。第二种方法，随机森林，则构建大量决策树——基于规则的简单模型——并让它们“投票”决定预测强度。随机森林更像一个黑箱，但通常非常准确。两种模型都经过精心调参并使用标准统计方法评估，比较它们对模型未见过的试验配方的预测与实验测量值的吻合程度。

模型对橡胶混凝土的发现

两种方法都捕捉到了橡胶化混凝土的整体行为，但随机森林的精度更高。在未见测试数据上，它对弯曲和拉伸强度的再现与实测值的相关性接近完美，明显优于基因表达编程。误差分析显示，大多数预测与真实值的偏差在适度范围内，仅有少数异常值。为了解黑箱机制，团队使用了一种名为 SHAP 的工具，它为每种配料在每次预测中分配责任份额。结果显示，传统骨料和水灰比对弯曲强度有强烈影响，而橡胶的用量与类型、以及高效减水剂和含水量，在混凝土的抗拉性能中起关键作用。总体而言，橡胶和水量增加倾向于降低强度，而合理配比的骨料和添加剂则可在一定程度上恢复性能。

这对未来建筑有什么意义

对非专业读者而言，主要结论是：我们可以现实地设计出既环保又能回收旧轮胎的混凝土，而不是盲目推进。研究表明，智能的计算模型，尤其是随机森林，能够可靠地预测配方变化如何影响橡胶化混凝土的开裂与弯曲行为，仅需少量易测的输入参数。因此工程师可以减少昂贵的反复试验，加速废弃物基材料的应用，并更有把握地指定兼顾环保与安全耐久性的配比。长期来看，这类工具有望把成堆的废旧轮胎转变为安全的桥梁、路面和建筑材料，同时减少垃圾堆积和建筑业的碳足迹。

引用: Sheraz, M., Talha, M., Alam, M. et al. Modeling mechanical properties of rubberized concrete using gene expression programming (GEP) and random forest: a comparative study. Sci Rep 16, 8714 (2026). https://doi.org/10.1038/s41598-026-40897-6

关键词: 橡胶化混凝土, 废旧轮胎回收, 建筑领域的机器学习, 随机森林建模, 可持续材料