比较评估机器学习与深度学习方法用于地聚合物混凝土抗压强度预测

设计更环保混凝土的新途径

混凝土是现代城市的支柱，但传统水泥的生产会释放大量二氧化碳。地聚合物混凝土提供了一种更清洁的替代品，然而工程师仍然难以预测其硬化后的强度。本研究展示了如何利用现代数据工具——包括机器学习与深度学习——从数百个过去的试验中学习，以预测地聚合物混凝土配合比的强度，从而在减少昂贵试配的同时，指导更环保的施工。

为什么更环保的混凝土难以调配到位

地聚合物混凝土用粉煤灰、矿渣、偏高岭土（metakaolin）和硅灰等工业副产物替代大量普通水泥。这些粉料与碱性液体反应生成类似石头的固体，能够匹配或超过普通混凝土的强度，同时将碳排放降低约70%左右。但这种更环保的配方很敏感：强度受多种相互关联因素影响，包括粉料的类型和用量、碱性液体的投加量和浓度、水与化学外加剂的量、砂石骨料、为增强韧性而加入的纤维，以及材料的养护时间和条件。由于这些成分以复杂、非线性的方式相互作用，简单的方程式不足以预测新配合比的强度。

构建一个宏观的数据集

为应对这种复杂性，作者们从19篇已发表研究中汇编了一个大型统一数据库，覆盖594种不同的地聚合物混凝土配合比。每条记录描述了关键成分，如粉煤灰、矿渣、偏高岭土、硅灰、砂、砾石、水、碱性液体和减水剂的用量，以及钢纤维与聚丙烯纤维和养护龄期（以天为单位）。团队对数据进行了细致清理：去除重复项、统一单位与变量名称，并仅保留信息完整的配合比。由此得到的集合多样且一致，覆盖了从相对偏弱到高性能混凝土的广泛强度范围，反映了多个实验室间的真实差异。

让机器从过去的配方中学习

拿到这个数据库后，研究者们训练了一系列预测模型。在经典机器学习方面，他们使用了决策树、随机森林以及将多个弱模型组合成强预测器的先进“提升（boosting）”技术。在深度学习方面，他们测试了两种不同深度的神经网络和一种名为TabNet的现代表格模型，后者通过注意力机制聚焦于最有信息量的成分。数据被划分为训练集和测试集：80%的配合比用于训练模型，剩余20%用于检验各方法对未见数据的预测能力，并采用标准误差和拟合优度指标进行评估。

哪些模型表现最好以及原因

在机器学习方法中，表现最突出的获胜者是名为CatBoost的提升方法，它给出了非常准确的强度预测，且在整个值域上与测试数据高度一致。另一种提升模型XGBoost紧随其后。在深度学习工具中，TabNet表现最佳，有效地与顶级机器学习模型相媲美，而层数更多的深度神经网络反而表现较差，可能是因为数据集规模对如此复杂的结构来说过小。为了使这些“黑箱”预测更透明，作者使用了名为SHAP的解释工具，为每个输入值分配重要性得分。分析表明，矿渣含量和养护龄期在强度预测中始终占主导地位，随后是其他胶结材料、碱剂剂量和骨料用量，而钢纤维与塑料纤维对抗压强度则仅起次要作用，尽管它们能显著影响裂缝行为与韧性。

这对未来建筑意味着什么

简而言之，这项工作表明，计算机可以从数百个过去的地聚合物混凝土配方中学习，快速且可靠地估计新型环保配合比的强度。工程师无需铸造并破坏大量试件，就能用这些模型缩小在胶结粉料、活化剂液体与养护时间等方面的可行组合范围，然后再赴实验室做验证。研究还强调了哪些成分最重要，给出实用建议：将矿渣含量、活化剂水平与养护条件控制好，对抗压强度的影响远比精细调整纤维用量更大。尽管这些模型仍需在更大且更标准化的数据集上进一步验证，该框架标志着迈向数据驱动、低碳混凝土设计的重要一步。

引用: Ezz, H., Bakr, S.M. Comparative evaluation of machine learning and deep learning approaches for compressive strength prediction of geopolymer concrete. Sci Rep 16, 14652 (2026). https://doi.org/10.1038/s41598-026-50705-w

关键词: 地聚合物混凝土, 机器学习, 深度学习, 抗压强度预测, 可持续建筑