采用掺入棕榈油燃料灰的可持续混凝土抗压强度预测的混合机器学习方法

把农场废料变成更坚固、更环保的混凝土

混凝土支撑着我们的建筑、桥梁和道路，但制造其中的水泥会释放大量二氧化碳。与此同时，棕榈油厂产生的大量灰渣常被弃置。本研究探讨如何将这些灰渣转化为混凝土的有用成分，以及智能计算程序如何在未实际配制任何试样前可靠地预测这种“绿色”混凝土的强度。

为什么棕榈油灰很重要

棕榈油燃料灰是燃烧棕榈废料发电后留下的粉状副产品。在大量种植棕榈油的国家中，它堆积成山，会带来处置和污染问题。然而，这种灰含有活性颗粒，可部分替代混凝土中的水泥。使用它有双重好处：减少能耗高的水泥用量，同时回收农业废弃物。先前的实验表明，经适当处理和使用时，棕榈油灰可以产生强度和耐久性良好的混凝土。挑战在于强度受多种相互作用的成分和养护条件影响，因此设计者需要一种快速可靠的估算方法，以免进行无尽的试验。

让智能模型从数百个配合比中学习

研究者收集了22项已发表研究的数据，最终汇总出469种使用棕榈油燃料灰的不同混凝土配合比。对每个配合比，他们记录了六个关键成分和条件：水泥和灰的用量、添加的化学流体（超塑化剂）量、粗细骨料的配比、水胶比以及混凝土在测试前的养护时间。随后他们采用人工智能，构建了一种受大脑神经元连接启发的计算模型——人工神经网络。这类模型通过示例学习：它观察大量输入组合及其对应的强度，并逐步调整内部连接以模拟这些结果。

用进化启发搜索增强“大脑”

单独使用神经网络时，参数调优可能很棘手。如果内部设置选择不当，网络可能陷入中等性能。为克服这一点，团队将神经网络与另一种模拟物种在群岛间扩散与适应的算法配对，称为基于生物地理学的优化。在该方案中，每个“群岛”代表一组不同的网络参数。来自表现良好群岛的特征会迁移到较弱的群岛，而偶发的随机变化可防止搜索陷入局部最优。经过多次迭代，这种混合方法不断完善网络，使其更能匹配实测的混凝土强度。

混合模型的表现如何

为检验混合模型的实际价值，作者将469个配合比分成训练集、调优集和独立测试集，并使用反复重抽样的交叉验证方法。他们将混合网络与标准神经网络及文献中的早期模型进行了比较。混合模型持续表现出更准确的抗压强度预测：其预测中超过60%与实测值的误差在±5%内，而传统模型这一比例约为39%。混合模型的总体误差更小，且在数据重采样时预测更稳定。已训练模型的分析还表明，哪些因素最为关键，突出显示养护时间和水胶比是影响强度的主要驱动因素。

这对更环保的建筑意味着什么

对工程师和规划者来说，该研究提供了一个实用工具：对于包含棕榈油燃料灰的候选配合比，混合模型可以在其所见范围内快速估算出混凝土可能的强度。这能节省时间，减少昂贵的试配批次，并鼓励更广泛地使用以废弃物为基础的材料，从而降低水泥用量和排放。尽管该模型仍受限于底层实验研究的空白和差异，但它表明，将基于数据的学习与进化启发搜索相结合，可以帮助驾驭现代可持续混凝土的复杂性，使更环保的建筑更接近日常实践。

引用: Kazemi, R., Pour, M.A. & Gandomi, A.H. Hybrid machine learning approach for predicting compressive strength of sustainable concrete incorporating palm oil fuel ash. Sci Rep 16, 14033 (2026). https://doi.org/10.1038/s41598-026-46190-w

关键词: 可持续混凝土, 棕榈油燃料灰, 抗压强度预测, 人工神经网络, 元启发式优化