使用可解释的极端梯度提升机器学习模型及预测工具，研究再生骨料纤维增强粉煤灰混凝土的抗压强度、抗弯强度和坍落度

《Powder Technology》：Compressive strength, flexural strength, and slump of recycled aggregate fibre-reinforced fly ash concrete using explainable extreme gradient boosting machine learning model with prediction tool

再生骨料纤维增强飞灰混凝土（RAFRC-FA）的力学性能预测研究采用机器学习模型，通过整合21个输入参数（包括混凝土成分、再生骨料、飞灰和纤维特性）预测抗压强度（fc'）、抗弯强度（fr）和坍落度。对比8种单一和集成模型（如LR、KNN、SVR、DT、RF、AdaBoost、GB、XGB），发现XGB模型表现最优，测试集R2分别为95.11%、92.16%和85.98%，均方根误差和平均绝对误差显著低于传统解析模型。此外，开发了基于XGB的Web应用，可实时预测RAFRC-FA的力学性能，实验与预测值比值在1.00至1.13之间，验证了模型的实用性和准确性。

　　随着全球城市化进程的加速，建筑和基础设施资产的更新和改造每年会产生大约30亿吨的建筑废弃物，其中包括混凝土、砖块、钢铁、玻璃和木材等。其中，混凝土是被填埋处理的主要废弃物之一。这种大量的建筑废弃物堆积不仅填满垃圾填埋场，还对环境和经济造成负面影响。因此，将拆除的混凝土重新用于新混凝土应用中，可以作为减少建筑成本和实现2050年碳中和目标的重要步骤。近年来，研究人员进行了大量研究，评估将混凝土废弃物转化为再生混凝土骨料（RCA）用于混凝土应用的可行性。这些研究表明，RCA相比天然骨料（NA）具有更高的吸水率和孔隙率，以及更低的密度和耐磨性。Abushanab和Alnahhal通过扫描电子显微镜图像表明，再生混凝土（RAC）的界面过渡区（ITZ）层数量更多且较弱，这会降低混凝土的抗压和抗弯强度。

为了改善RCA的不良性能，研究人员开始在RAC中引入结构纤维。多种类型的结构纤维被用于增强RAC的性能，如钢纤维、玻璃纤维、聚丙烯纤维和玄武岩纤维。这些纤维的加入可以桥接较弱的ITZ层，延迟裂缝的产生和扩展，并增强混凝土的抗弯性能。然而，再生骨料纤维增强混凝土（RAFRC）相比普通RAC在工作性和耐久性方面表现出较差的性能。为此，研究人员建议在RAFRC中掺入补充性水泥材料（SCMs），以提高其耐久性。SCMs与钙氢氧化物反应生成钙硅酸盐水化物（C–S–H）凝胶，这层覆盖在RCA颗粒表面并填充其孔隙，从而增加与结合料的接触面积并改善混凝土的特性。此外，SCMs的火山灰反应可以提高纤维与结合料之间的接触面积，从而增强混凝土的机械性能。在各种矿物添加剂中，粉煤灰（FA）由于其丰富的可用性和成本效益，被认为具有更好的潜力与RAC结合使用。

在考虑了粉煤灰对RAFRC的影响后，Ali等人指出，掺入粉煤灰的RAFRC（即RAFRC-FA）的抗压和抗弯强度分别提高了13%到23%和73%到78%。类似的结果由Ali等人和Bayraktar等人得出。因此，使用粉煤灰作为水泥的部分替代物不仅改善了RAFRC的特性，还保护了环境并降低了混凝土的成本。文献也报告了使用纤维和不同类型的SCMs增强混凝土性能的有效性。

考虑到RAFRC-FA的可持续性优势，仍需进行更全面的实验研究，以更好地理解影响RAFRC-FA机械性能的基本因素，从而挖掘其实际潜力。然而，这类实验项目通常耗时、耗资且受限于实验室的容量。因此，一些分析模型被建立用于预测含有FA和纤维的RAC的机械性能。然而，这些模型大多基于有限的变量和输入参数，并忽略了RCA、FA和纤维的异质特性。因此，当RCA、FA或纤维的来源发生变化时，这些模型通常会产生较低的预测精度。因此，有必要采取有效措施，建立全面的预测模型，以评估RAFRC-FA的机械性能。

随着人工智能的进步以及混凝土工业中实验数据的丰富，机器学习（ML）模型正逐渐成为替代传统分析模型的可行选择。特别是，ML算法能够构建输入与输出之间的直接关系，而无需复杂的机械和数学推导，其预测精度通常优于传统分析模型。ML预测通常通过两种类型的算法实现：单个算法和集成算法。集成算法通过整合单个算法的弱学习者来构建更准确的学习者。支持向量回归（SVR）和决策树（DT）是单个算法的例子，而自适应提升（AdaBoost）和极端梯度提升（XGB）是集成算法的例子。

近年来，研究人员已经应用了各种ML算法来预测含有RCA、FA或纤维的混凝土的机械性能。例如，Peng和Unluer使用642条记录开发了多个ML模型来预测RAC的抗压强度。他们发现，基于灰狼优化器的支持向量回归记录了最准确的预测，R2超过90%。Onyelowe等人建立了一个人工神经网络模型，使用476个数据点来估算RAC的抗压强度，模型在训练集和测试集上的R2分别为98%和97%。Golafshani和Behnood利用人工神经网络、模糊TSK、支持向量回归和径向基函数神经网络来估算含有RCA和FA的混凝土的28天弹性模量，使用了400个数据点。他们报告说，支持向量回归和人工神经网络的预测优于其他模型，R2分别为92.4%和92.8%。Hosseinzadeh等人使用500、180和76个数据点分别预测含有RCA和FA的混凝土的抗压强度、抗拉强度和坍落度，并发现XGB在预测抗压和抗拉强度方面表现出色，R2分别为95%。坍落度则通过随机森林算法进行了更准确的预测，R2为86%。此外，Hosseinzadeh等人还利用多种ML模型来估算含有FA的RAC的弹性性能。他们发现，XGB在预测中表现出较高的准确性，R2超过90%。Biswal等人也报告说，XGB算法在预测不同SCMs的RAC抗压强度方面是最准确的。Pal等人开发了多个ML模型来预测含有纤维的RAC的坍落度，使用了464个数据点。他们考虑的纤维类型包括钢纤维和聚丙烯纤维，并得出结论，XGB在测试集上记录了最佳拟合（调整R2为80%）和最小误差（平均绝对误差为6.031，平均绝对百分比误差为45.412）。

尽管机器学习预测模型取得了进展，但先前的研究大多集中在RCA、FA和纤维的单独影响上，而没有考虑它们的综合作用。此外，目前还没有在线的基于ML的预测工具，可以利用相同的输入参数预测含有RCA、FA和纤维的混凝土的抗压强度、抗弯强度和坍落度。因此，本研究旨在填补这一空白，通过建立ML预测模型来预测含有纤维的再生骨料混凝土的坍落度、抗压强度和抗弯强度。ML预测模型是分别使用包含21个输入和3个输出的综合数据库构建的。输入参数包括混凝土混合材料、RCA性质和纤维性质以及测试年龄，而输出参数是抗压强度、抗弯强度和坍落度。数据库经过处理后，使用了总共8个ML模型。此外，预测性能与15个现有分析模型进行了比较。同时，还开发了一个基于网络的应用程序，作为估计含有纤维的再生骨料混凝土的机械性能的实用工具。

本研究中，现有的分析模型用于预测含有RCA、FA和纤维的混凝土的抗压强度和抗弯强度，如表1所示。评估标准和模型的局限性如下：所有分析模型都局限于正常强度混凝土，其中含有再生骨料、粉煤灰和纤维。此外，某些模型考虑了再生骨料替换率、水吸收率（WA）、密度和耐磨性，而其他模型则由单一或多个变量组成。Xiao等人提出的模型（公式1）和Silva等人提出的模型（公式8）包含嵌套公式，以不同值的再生骨料替换率、WA、密度和耐磨性为基础。其他模型则由单一公式组成，基于一个或多个变量。Thomas等人提出的模型（公式4）和Ohemeng等人提出的模型（公式5）考虑了再生骨料替换率和天然混凝土（NAC）的抗压强度对再生混凝土（RAC）抗压强度的影响。Younis和Pilakoutas提出的模型（公式7）和Silva提出的模型（公式8）则考虑了天然混凝土抗压强度和再生骨料替换率、密度、耐磨性和水吸收率的影响。Liu等人提出的模型（公式9）则基于天然混凝土抗压强度、再生骨料替换率和水吸收率。

尽管ML预测模型有所进展，但先前的研究主要关注再生骨料、粉煤灰和纤维的单独影响，而没有考虑它们的综合作用。此外，目前还没有基于ML的在线预测工具，可以利用相同的输入参数预测含有再生骨料、粉煤灰和纤维的混凝土的抗压强度、抗弯强度和坍落度。因此，本研究旨在通过建立ML预测模型来填补这一空白，预测含有纤维的再生骨料混凝土的坍落度、抗压强度和抗弯强度。ML预测模型是分别使用包含21个输入和3个输出的综合数据库构建的。输入参数包括混凝土混合材料、再生骨料性质和纤维性质，以及纤维体积分数（Vf）。输出参数是抗压强度、抗弯强度和坍落度。数据库经过处理后，使用了总共8个ML模型。此外，预测性能与15个现有分析模型进行了比较。同时，还开发了一个基于网络的应用程序，作为估计含有纤维的再生骨料混凝土的机械性能的实用工具。

在预测混凝土的机械性能方面，机器学习算法展现出了巨大的潜力。通过使用一个包含21个输入参数和3个输出参数的综合数据库，本研究开发了8个机器学习模型，其中包括单个和集成算法。模型的性能评估显示，极端梯度提升（XGB）模型在所有模型中表现最佳，其预测误差和决定系数分别为2.10 MPa和95.11%（抗压强度），0.26 MPa和92.16%（抗弯强度），以及15.54 mm和85.98%（坍落度）。此外，XGB模型在预测抗压强度和抗弯强度时的预测与实际比值的标准差（0.024和0.042）和变异系数（2.36%和4.20%）均低于传统分析模型。SHAP工具进一步揭示了混凝土成分对抗压和抗弯强度的最显著影响，而再生骨料的性质对抗压强度的坍落度影响最大。

本研究还开发了一个基于网络的应用程序，并通过未见过的数据验证了其预测性能。该应用程序预测抗压强度、抗弯强度和坍落度的实验与预测比值分别在1.00到1.13、0.99到1.06和1.00到1.13之间。这些结果表明，XGB模型在预测RAFRC-FA的机械性能方面具有显著优势，并且其预测结果与实际数据之间的差异较小。此外，XGB模型在预测坍落度时表现出更稳定的性能，且在所有测试集中均显示出较低的误差。

通过对比现有分析模型和机器学习模型，本研究发现，XGB模型在预测RAFRC-FA的抗压强度、抗弯强度和坍落度时，其性能优于所有其他模型。此外，XGB模型在预测这些性能时，其预测与实际比值的标准差和变异系数均较低，表明其预测结果更加稳定和可靠。而其他模型由于参数设置的限制和对输入变量的忽略，导致其预测结果与实际数据之间存在较大的偏差。例如，某些模型未能充分考虑再生骨料的替换率对混凝土性能的影响，或者未能涵盖所有相关参数。

为了提高预测精度，本研究还利用SHAP工具对XGB模型的输入参数进行了详细分析。结果显示，混凝土成分对RAFRC-FA的抗压和抗弯强度影响最大，而再生骨料的性质对坍落度的影响最为显著。此外，粉煤灰对抗弯强度的预测贡献较小，这表明其在RAFRC-FA的性能提升中可能不是主要因素。而纤维的类型和体积分数则对坍落度和抗弯强度的影响更为显著，这表明在预测RAFRC-FA的性能时，纤维的特性需要被重点考虑。

基于上述分析，本研究开发了一个基于网络的应用程序，该程序可以快速、准确地预测含有纤维的再生骨料混凝土的机械性能。该应用程序不仅适用于RAFRC-FA，还可以用于预测普通混凝土的性能，如抗压强度、抗弯强度和坍落度。此外，应用程序的预测结果与实际数据之间的比值在合理范围内，表明其预测能力得到了验证。

本研究的结论表明，机器学习模型在预测RAFRC-FA的机械性能方面具有显著优势，特别是XGB模型。通过使用XGB模型，可以更准确地预测混凝土的抗压强度、抗弯强度和坍落度，并且其预测结果的稳定性较高。此外，该研究还强调了在预测混凝土性能时，需要考虑多种输入参数，包括混凝土成分、再生骨料和纤维的性质，以及测试年龄。通过引入这些参数，可以更全面地评估混凝土的性能，并提高预测模型的准确性。未来的研究可以进一步优化这些模型，考虑更多影响因素，如混凝土的温度、固化条件和父混凝土的抗压强度，以提高预测精度。同时，开发更加标准化的测试程序，以减少不同研究之间的数据差异，也是提升预测模型性能的重要方向。