分享自:

基于机器学习方法对不同掺量废玻璃粉混凝土抗压强度的预测研究

期刊:材料导报DOI:10.11896/cldb.25030056

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。

  1. 模型选择与优化

    • 基础模型:多元线性回归(MLR)、反向传播神经网络(BPNN)、支持向量回归(SVR)、随机森林回归(RFR)。
    • 优化方法:PSO算法调整超参数(如BPNN的权重/偏置、SVR的核函数系数γ和惩罚参数C、RFR的决策树数量),结合10折交叉验证提升泛化能力。
  2. 模型训练与评估

    • MLR模型:通过逐步回归筛选关键变量(水泥含量、细骨料含量、龄期),优化后拟合优度R²从0.719降至0.649,揭示线性模型的局限性。
    • BPNN模型:PSO优化后训练集R²达0.9236,测试集R²为0.9054,误差(MAE、RMSE)显著降低。
    • SVR模型:高斯核(RBF)表现最佳,PSO优化后R²提升至0.9561(训练集)和0.9069(测试集)。
    • RFR模型:PSO优化决策树数量(131棵)和最小叶节点数(1),测试集R²达0.9231,为最优模型。
  3. 特征重要性分析

    • SHAP值可视化:龄期、细骨料含量、水泥含量对CS影响最大,废玻璃粉掺量影响较小但与水泥含量存在交互作用。
  4. 实验验证

    • 外部数据集(Ibrahim, 2023)验证显示,PSO-RFR和PSO-BPNN预测误差<20%,其中PSO-BPNN泛化能力最强(训练与测试集R²最接近)。

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%)。

  1. 关键发现

    • 废玻璃粉掺量在5%-15%时,28d强度高于对照组,印证其火山灰效应和微集料填充作用。
    • 龄期与CS呈强正相关(Pearson系数=0.471),细骨料次之(0.448),为配合比设计提供依据。
  2. 应用价值

    • 提出WGPC中长期强度预测的高效方法,支持C50强度等级混凝土的废玻璃粉最优掺量设计(建议≤15%)。

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。

上述解读依据用户上传的学术文献,如有不准确或可能侵权之处请联系本站站长:admin@fmread.com