基于机器学习预测废玻璃粉混凝土抗压强度的创新研究
作者及发表信息
本研究由石河子大学水利建筑工程学院的于代东、马玉薇(通讯作者)、李刚(通讯作者)等团队合作完成,发表于《材料导报》(*Materials Reports*)2026年第40卷第6期,网络首发于2025年4月28日。研究得到国家自然科学基金(52168064)和新疆生产建设兵团科技计划项目(2023AB013-04、2025YD005)的资助。
学术背景
废玻璃粉混凝土(Waste Glass Powder Concrete, WGPC)是近年来土木工程材料领域的研究热点,其应用可缓解玻璃废弃物填埋压力及混凝土原材料短缺问题。抗压强度(Compressive Strength, CS)是评估WGPC性能的核心指标,传统实验方法耗时且难以预测长期力学性能。机器学习(Machine Learning, ML)技术凭借高精度和稳定性,为混凝土性能预测提供了新思路。然而,现有研究多聚焦早期强度(如3d、7d),对WGPC中长期(28d以上)强度的预测模型仍存在空白。本研究旨在通过结合粒子群优化算法(Particle Swarm Optimization, PSO)与交叉验证技术,构建高精度预测模型,为WGPC的工程应用提供理论支持。
研究流程与方法
1. 数据集构建与预处理
- 数据来源:从10篇SCI期刊文献中筛选510组实验数据,确保水灰比(w/c)<0.5、使用P.O.42.5水泥、废玻璃粉替代水泥(非骨料)等条件。
- 特征变量:包括水泥含量、水含量、粗/细骨料含量、废玻璃粉掺量、龄期、减水剂含量等7项。
- 数据划分:80%训练集(408组)、20%测试集(102组),采用最小-最大归一化处理数据。
模型选择与优化
模型训练与评估
特征重要性分析
实验验证
主要结果与贡献
1. 模型性能对比
- PSO-RFR综合表现最优(测试集R²=0.9231,MAE=2.1073,RMSE=3.6903),其次为PSO-BPNN(R²=0.9054)。
- 优化模型普遍优于基础模型,PSO算法有效提升预测精度(如SVR的R²提升20%)。
关键发现
应用价值
研究亮点
1. 方法创新:首次将PSO算法与交叉验证结合,优化MLR、BPNN、SVR、RFR四类模型,解决WGPC长期强度预测难题。
2. 数据全面性:整合510组国际实验数据,涵盖1-365d龄期,填补了中长期性能研究的空白。
3. 工程指导性:通过SHAP分析明确关键变量排序,为低碳混凝土材料研发提供量化依据。
其他价值
- 开源数据集与模型代码(可通过通讯作者获取),促进领域内数据共享与算法复现。
- 研究局限性:未考虑大颗粒废玻璃粉作为骨料的影响,未来需扩展数据集并探索多算法融合优化。
本研究为WGPC的可持续应用提供了理论工具,推动了机器学习在土木工程材料领域的实践创新。