通过集成回归模型评估碱激活混凝土的热诱导强度损失

为什么高温混凝土很重要

当建筑遭遇严重火灾时，混凝土的强度往往决定着是保持结构完整还是发生倒塌。工程师们正在转向一种更环保的混凝土——碱激活混凝土，它可循环利用工业废弃物，并且在高温下通常比传统水泥表现更好。但在炉中测试每一种配方既慢又昂贵。本研究展示了现代数据驱动工具如何从以往实验中学习，并快速预测这种更环保混凝土在暴露于极端温度后还能保持多少强度。

一种更环保的混凝土

碱激活混凝土用发电厂粉煤灰、高炉炼钢渣等工业副产物，甚至细磨废玻璃，替代了大量常规水泥。这种替换降低了碳排放，并赋予这些废料第二次生命。由于其不同的胶凝凝胶状内部结构，该混凝土在受热时往往更耐久。然而，其在火中的表现对细节极为敏感：粉料的配比、用于激发的化学剂、养护的时间与温度，以及后续所经历的最高温度等。这种复杂性使得仅凭原理很难精确预测火后剩余的强度。

让数据学习规律

研究者汇集了一个包含371个混凝土试块的详细数据集，这些试块由粉煤灰和炉渣制成，有时部分以废玻璃粉替代。每个试块的配方、养护方式以及在测试前所经受的温度（从常温到1000°C）都被记录下来。研究团队没有依赖简单公式，而是采用了五种监督式机器学习方法。这些算法寻找输入（配合比、养护温度与时间、加热水平）与输出之间的规律：混凝土加热后剩余的抗压强度。

哪种数字“预报器”最有效

研究比较了一棵基础决策树与若干更先进的“集成”方法，这些方法通过组合许多简单模型来获得更可靠的预测，包括袋装法、AdaBoost、随机森林和一种称为极端梯度提升（XGBoost）的技术。作者采用了严格的交叉验证，将模型在某些配合比上训练，然后在完全不同的配方上进行测试，以模拟现实应用。所有候选模型中，梯度提升模型表现最佳，重现测试结果时一致性极高且平均误差最低，紧随其后的是随机森林。相比之下，简单的线性方法无法捕捉强度随成分和温度变化的弯曲、非线性关系。

发现配合中真正重要的因素

除了总体精度，研究者还想弄清楚哪些成分和工艺步骤在高温下真正主导性能。他们检查了相关性，并使用可解释性工具来显示每个输入变量对模型预测的影响量。养护温度、养护时长和碱激活剂浓度成为控制加热后剩余强度的主导因素。粗骨料用量或水分细微变化等变量的作用较小。分析结果也反映了已知的物理过程：适度的养护有助于形成致密的胶结网络，但过高的热量或碱含量会使硬化材料更脆，随着温度接近1000°C更易开裂。

从实验室走向设计工具

简而言之，这项工作将零散的炉内试验转化为实用的设计辅助工具。集成模型像经过训练的快速顾问，能在不铸造和加热数百个新样本的情况下，估算拟议的绿色混凝土配方在严重火灾中的表现。通过突出哪些变量最重要，它们还能引导工程师在养护与化学剂投加上做出更明智的选择。这种方法并不能取代严格的试验或建筑规范，也仍需推广到其他材料和条件。但它为用更少的反复试验设计出更安全、更耐火且更可持续的混凝土结构迈出了一步。

引用: Deepti, Y., Kumar, S., Bandyopadhyay, A. et al. Assessment of thermally induced strength loss in alkali-activated concrete through ensemble regression models. Sci Rep 16, 14475 (2026). https://doi.org/10.1038/s41598-026-44193-1

关键词: 碱激活混凝土, 耐火材料, 机器学习, 抗压强度, 可持续建筑