使用扇区果蝇优化的极限学习机预测地聚合物固化粘土的无侧限抗压强度

以更低的环境代价获得更坚固的地基

在世界各地，工程师需要将含黏土的软弱土转换为道路、建筑和堤坝的稳固基础。传统做法通常是大量加入普通硅酸盐水泥，这会产生大量二氧化碳排放。本研究探讨了一条更清洁的路径：利用称为地聚合物的工业副产物来加固粘土，并采用一种巧妙的人工智能方法来预测处理后土壤的强度，从而减少反复的实验室试验。

将工业废料转化为有用的胶结剂

地聚合物是通过用碱性溶液活化富含铝硅酸盐的粉料（如高炉矿渣粉 GGBS 和粉煤灰）制成的胶结剂。与粘土混合时，它们形成刚性、类石状的网络，能够提供高强度、低收缩和良好耐久性，同时比传统水泥释放更少的二氧化碳。既往实验表明，地聚合物固化的粘土强度可从几乎为零到超过 40 兆帕不等，取决于配比。但结果对多种因素的依赖非常敏感：粘土的天然可塑性、加入的矿渣或粉煤灰量、碱性溶液的浓度，以及钠、硅、铝等关键元素的平衡。

为何预测土壤强度如此困难

为了设计实用配方，工程师希望能事先知道某一配方将达到的强度。对每个候选配比做完整的实验室方案既耗时又昂贵。传统统计公式也难以胜任，因为土壤类型、地聚合物成分与结果强度之间的关系高度非线性。现代机器学习工具——如神经网络和支持向量机——虽能改进预测，但可能需要大量调参、在小数据集上发生过拟合，并且常表现为不透明的“黑箱”，难以明确指出哪些成分最重要。

由数字群体引导的更聪明学习机

作者汇编了来自既往研究的 270 组地聚合物固化粘土试验结果，涵盖不同土壤类型、胶结剂配比、碱度及养护条件。随后他们训练了三种相关的预测模型。核心引擎为极限学习机，这是一类运行快速的神经网络，其大部分内部参数通过一次解析步骤确定，而非依赖缓慢的反复训练。为进一步优化这些内部参数，团队将网络与一种模仿果蝇觅食行为的“果蝇优化”算法耦合。在他们增强的版本——扇区果蝇优化中，虚拟群体不再随机游走，而是在均匀分布的扇区中探索搜索空间，从而提高稳定性并帮助算法更快收敛到较优解。

更好的预测与对关键因素的更清晰认识

在未见数据上的测试中，基础学习机已能较好地预测无侧限抗压强度——即处理后粘土能承受的压缩程度。加入原始群体搜索后精度进一步提升。基于扇区的群体表现最佳，与基线模型相比将预测误差约降低 42%，与早期果蝇版本相比降低约 19%，且计算量足够小，可在普通笔记本上运行。大多数预测强度与实测值接近，误差分布表明模型更多是良好泛化而非单纯记忆训练数据。

将复杂模型转化为实用的配方指导

为了解开“黑箱”，研究者采用了一种称为 SHAP 的分析方法，该方法为每个输入分配对最终预测的贡献。这表明矿渣含量（GGBS）是提升强度的单一最重要因素，粘土的可塑性和液限也起到重要作用。某些配比参数——如过量的粉煤灰或极高的可塑性——往往会降低强度，而适当的碱浓度和钠-铝比则带来较温和的积极影响。结合这些洞见与准确的预测能力，扇区果蝇增强的极限学习机成为指导地聚合物配比设计的有前景工具，能帮助工程师在更少试验和更小环境足迹下选择能产生强稳地基的配方。

引用: Abdellatief, M., mortagi, M. Predicting unconfined compressive strength of geopolymer-stabilized clays using a sector fruit fly–based extreme learning machine. Sci Rep 16, 12723 (2026). https://doi.org/10.1038/s41598-026-47208-z

关键词: 地聚合物固化粘土, 土壤强度预测, 岩土工程中的机器学习, 可持续地基改良, 极限学习机