采用蛋壳粉和玻璃粉的混合材料的先进混合机器学习模型，用于预测其抗酸性

《Journal of Natural Fibers》：Cutting-Edge Hybrid Machine Learning Models for Forecasting the Acid Resistance of Cementitious Composites Incorporating Eggshell and Glass Powders

本研究采用混合机器学习模型，结合支持向量回归与元启发式算法（PSO、FFA、GWO），预测水泥基复合材料酸侵蚀后的抗压强度（CSAA）。SVR-PSO模型表现最佳（R2=0.984），显著优于随机森林（R2=0.974）和决策树（R2=0.649）。SHAP和部分依赖分析揭示抗压强度（CS）、玻璃粉（GP）正向影响，蛋壳粉（ESP）负向影响。开发了用户友好的图形界面，无需实验即可快速预测。

　　本研究探讨了如何利用先进的混合机器学习（ML）技术来建立一个高效模型，以估算酸侵蚀后水泥基复合材料的抗压强度（CSAA）。该模型是基于含有蛋壳粉（ESP）和玻璃粉（GP）的混合物开发的。为了提高预测精度，研究将支持向量回归（SVR）与三种复杂的元启发式优化算法相结合，即粒子群优化（PSO）、萤火虫算法（FFA）和灰狼优化（GWO）。同时，还引入了传统的机器学习模型，如随机森林（RF）和决策树（DT）作为对比。结果显示，所有三种混合模型都表现出较强的预测能力，其中SVR-PSO模型表现最佳，其决定系数（R2）达到了0.984，远高于SVR-GWO（0.981）和SVR-FFA（0.980）。相比之下，RF模型的R2值为0.974，而DT模型的R2值则显著降低至0.649。此外，通过部分依赖分析（PDP）和SHapley Additive exPlanations（SHAP）模型，研究人员进一步揭示了不同参数对CSAA的显著影响，其中抗压强度（CS）是最关键的预测因子，其次是GP和ESP。CS和GP对CSAA具有正向促进作用，而ESP则可能对其产生负面影响。为了提升预测的便捷性，研究还开发了一个用户友好的图形界面（GUI），用于快速预测水泥基复合材料的CSAA。

水泥基复合材料（CBCs）是全球广泛使用的建筑材料之一，其年产量仅次于水。普通硅酸盐水泥（OPC）是CBCs的重要组成部分，占其体积的约10-12%。随着对OPC需求的增长，其生产量逐年上升，目前全球年产量已超过30亿吨。然而，制造一吨OPC需要消耗大量能源，约需四吉焦耳，并且会释放大量的温室气体，产生约0.85吨二氧化碳。除了对温室气体的贡献外，水泥工业还会排放挥发性有机化合物、细颗粒物、一氧化碳、氮氧化物和二氧化硫等污染物，这些物质会形成雾霾，对环境质量和公众健康造成严重威胁。鉴于这些环境挑战，研究人员正致力于探索和开发可持续的CBCs。

利用农业和工业副产品作为建筑材料可以显著改善建筑行业的绿色实践。然而，这些废弃物通常含有较低或受限的氧化钙（CaO）含量，导致形成的CBCs强度较低。某些富含钙的废弃物，如蛋壳、炉渣、石灰和牡蛎壳，可以用于提高材料的强度。自1999年以来，蛋壳已被广泛用于钙磷酸盐的合成。钙含量丰富的蛋壳，作为家禽废弃物的一种，其化学组成与石灰石相似。在混凝土生产中使用蛋壳作为替代石灰的材料，有助于减少水泥的使用量，保护自然石灰资源，并实现废弃物的再利用。印度、美国和英国每年分别产生约19万吨、15万吨和1.1万吨的蛋壳废弃物。尽管蛋壳可以作为肥料和动物饲料使用，但大部分废弃物仍被填埋，这会吸引害虫，带来健康和环境风险。随着玻璃消费量的增加，玻璃废弃物（GW）的产生也在上升，占全球2亿吨固体废弃物的7%。玻璃主要由二氧化硅组成，可以通过粉碎成细颗粒并作为部分水泥替代物用于CBCs。这种方法有助于开发可持续、经济且资源高效的基础设施。粉碎的玻璃废弃物预计能与OPC水化产物反应，形成额外的钙硅酸盐水合物（C-S-H），从而改善混凝土的性能。

除了这些废弃物利用策略，天然纤维增强聚合物（NFRPs）也因其可持续性而受到关注。研究表明，亚麻、大麻和棕榈纤维能提高混凝土的延展性和强度，其中经过热处理的亚麻纤维表现出更优的性能。水葫芦纤维则提供了与合成纤维增强聚合物（FRPs）相当的环保替代品，而亚麻和剑麻FRPs则在修复应用中展现出更高的成本效益。最近的地质聚合物混凝土研究探索了多种废弃物组合的应用。例如，花岗岩废弃物与稻壳灰结合能显著提升强度，使抗压强度提高25%，弯曲性能提升70%。然而，某些系统在火灾暴露后仅能保留25-39%的原始强度。钢纤维增强可有效解决这一问题，提高火灾后的性能。此外，甘蔗渣灰与钢纤维结合在最佳剂量下也能实现28%的强度提升和增强耐久性。

将蛋壳和玻璃废弃物纳入水泥基复合材料中，有助于解决这些材料的处理问题，同时减少对骨料和OPC的过度依赖。许多实验研究已经探讨了在这些复合材料中使用蛋壳和玻璃废弃物作为水泥或细骨料替代物的可行性。泡沫玻璃陶瓷因其高抗压强度和低表观密度而受到关注，可通过将回收的钠钙硅酸盐玻璃与蛋壳在800°C下加热60分钟制成。当蛋壳含量为6%时，这些材料的表观密度为0.421 g/cm3，抗压强度为0.22 MPa。增加蛋壳含量有助于提高致密性和降低孔隙率，但高晶体含量可能影响泡沫的形成。在水泥基系统中，玻璃粉（GP）富含非晶态二氧化硅，能通过火山灰反应促进次生钙硅酸盐水合物（C–S–H）凝胶的形成，从而提升强度并降低渗透性。相反，虽然蛋壳粉（ESP）主要由碳酸钙组成，有助于加速早期水化，但由于其颗粒较粗和反应性有限，可能会增加孔隙率，影响长期强度。然而，当ESP适量添加时，它能够改善微观结构。研究还探索了在土壤稳定化和地质聚合物中使用ESP与稻壳灰的组合，以增强火山灰活性并提高CaO的可用性。使用鸡蛋壳粉和稻壳灰生产半结晶钙硅酸盐为提高地质聚合物水泥提供了一种低成本的替代方案。将这些废弃物回收并用于添加剂，有助于改善地质聚合物的微观结构和机械特性，为可持续地质聚合物生产提供可行的解决方案。用ESP替代水泥可提高混凝土的抗压、抗拉和抗弯强度10-30%，其中在最高20%替代率时效果最佳。0.25%的ESP替代率可提高弹性模量，而将蛋壳水泥砂浆加热至300°C可维持强度，但加热至450°C并使用20% ESP会导致强度损失12%。混凝土的抗压强度随着玻璃废弃物含量的增加而提高，同时随着颗粒尺寸的减小而增强。使用80微米的玻璃颗粒可使强度提升30-35 MPa。此外，最近的研究指出，将多壁碳纳米管与玻璃纤维结合，可显著提高机械性能和耐久性，弹性模量提升14%，同时优化孔隙结构以增强耐久性。

水泥基复合材料的耐久性对于保持结构稳定性和性能至关重要。它确保了材料对水分、化学物质和温度变化等环境应力的抵抗力，从而减少退化并延长使用寿命。欧洲联盟在1989年引入了建筑产品指令，要求按照ISO指南记录建筑的耐久性。混凝土对化学侵蚀的抵抗能力主要受其渗透性、碱性及水泥浆体组成的影响。渗透性主要由孔隙几何形状和分布决定。耐久性还受到材料对有害离子如硫酸的抵抗能力影响。硫酸会严重破坏水泥基复合材料，通过与碱性孔隙水、C-S-H凝胶和Ca(OH)?反应，导致关键成分的溶解。硫酸与OPC浆体中的游离石灰反应，生成石膏并导致混凝土体积增加2.2倍。此外，硫酸侵蚀会通过化学反应和盐结晶加剧这种损害，生成非晶态二氧化硅凝胶，进一步削弱耐久性。全球范围内，硫酸侵蚀混凝土排水管导致的经济损失每年十分巨大。因此，探索酸侵蚀对水泥基复合材料的影响，对于准确评估其耐久性和整体寿命具有重要意义。

机器学习（ML）在准确预测水泥基复合材料性能方面表现出高度有效性。K-最近邻（KNN）、线性回归（LR）和人工神经网络（ANN）方法被用于估算含有玻璃粉（GP）和ESP的CBCs在酸侵蚀后的抗压强度减少。其中，ANN在预测CSAA方面的准确性最高（R2=0.87，误差=1.32%），优于KNN（R2=0.81，误差=1.57%）和LR（R2=0.78，误差=1.69%）。同样，ANN也被用于预测ESP混凝土的强度，其R2值为0.96，支持其在减少水泥消耗和实验工作量方面的应用。ANN模型还被用于设计高钙粉煤灰地质聚合物混合物，以实现可靠的抗压强度预测。支持向量机（SVM）、多层感知器神经网络（MLPNN）、极端梯度提升（XGBoost）和自适应提升（AdaBoost）等模型被用于预测含有GP和ESP作为OPC和砂替代物的CBCs的吸水率。SHAP分析评估了基本成分的影响，XGBoost和AdaBoost分别表现出高效率，R2值为0.86和0.91，而MLPNN和SVM的R2值分别为0.74和0.78。多表达编程（MEP）模型（R2=0.90）和基因表达编程（GEP）模型（R2=0.88）也被用于预测CBM的吸水率，其中ESP和GP作为砂和水泥的替代物。敏感性分析指出，蛋壳粉、砂和玻璃粉是最重要的影响因素。GEP、决策树（DT）、MLPNN和SVM被用于评估在酸性环境中ESP和GP改性的CMCs的强度损失。SVM被证明是最准确的模型，R2值为0.88，平均绝对百分比误差（MAPE）为10.6%。DT、MLPNN和GEP的R2值分别为0.87、0.85和0.85，MAPE分别为15.0%、17.9%和15.5%。MEP和GEP模型被用于预测掺入废弃ESP和GP的可持续砂浆的抗压强度（CS）和弯曲强度（BS）。其中，MEP模型的R2值分别为0.894（BS）和0.871（CS），而GEP模型的R2值分别为0.845（BS）和0.842（CS）。此外，七种机器学习算法被用于预测ESP混凝土的抗压强度。在LR、ANN、提升决策树、KNN、支持向量回归（SVR）、XGBoost和随机森林（RF）中，XGBoost模型在训练阶段表现出更高的有效性，R2值为0.99，而在测试阶段为0.82。最近的研究利用混合机器学习模型显著提高了预测精度。一项研究采用遗传算法优化的反向传播神经网络并开发了一个经过验证的图形用户界面（GUI），其R2值达到0.98，残差误差低于5%。在此研究中，水灰比和养护龄期被识别为最重要的输入变量。另一项研究采用 Prairie Dog 优化-XGBoost 模型准确预测了玄武岩纤维增强混凝土的电导率，R2值为0.984，GUI误差范围低于7.5%，展示了其在支持优化混合设计方面的有效性。

与以往研究相比，本研究采用了混合机器学习模型，以提高预测的准确性。通过将SVR与三种先进的元启发式优化技术相结合，即粒子群优化（PSO）、萤火虫算法（FFA）和灰狼优化（GWO），本研究旨在开发一个稳健模型，用于估算含有ESP和GP的水泥基复合材料在酸侵蚀后的抗压强度（CSAA），从而无需进行物理测试。这种方法不仅加快了评估过程，还促进了废弃物的再利用，推动了可持续建筑实践。混合模型的选择是为了利用SVR和先进元启发式优化技术的优势。SVR以其在回归任务中的强大泛化能力而闻名，但其性能高度依赖于超参数的正确选择。PSO、FFA和GWO等元启发式算法提供了强大的全局搜索能力，使SVR的参数调优更加高效。此外，传统的机器学习技术，如RF和DT，被用于对比分析，为评估混合模型的优越性提供基准。这种全面的方法代表了在预测水泥基复合材料CSAA方面的重大进展，提供了更高的准确性和对材料在不同条件下的行为的更深入理解。此外，本研究还致力于开发一个交互式GUI，为学术界和工业界提供直观的平台，用于预测含有ESP和GP的CBCs的CSAA，从而减少耗时的物理实验需求。

本研究的数据库包含234条来自先前研究的实验记录（Q. Cao等，2023），涵盖了输入变量如波特兰 cement（C）、sand（S）、玻璃粉（GP）、减水剂（SP）、水（W）、硅粉（SF）和蛋壳粉（ESP）。目标变量是废料衍生水泥基复合材料的酸侵蚀后抗压强度（CSAA）。C和S为本地材料，SF和SP则从Sika Chemicals Pakistan获得。ESP通过收集本地面包店的蛋壳、清洗、在900°C下煅烧3小时，并通过#200筛网得到富含CaO的纳米级粉末制备而成。SF被引入以增强其与ESP的火山灰相容性。

研究开发了三种砂浆等级，将ESP作为C和S的替代物，替代比例为0-15%（以2.5%为步长）。总共制备了234个50毫米立方体试件，每种混合物制作六个试件。在脱模后，试件被水养护28天。耐久性通过将试件浸泡在5%的H?SO?溶液（pH<3）中90天进行评估，强度损失相对于水养护的对照试件进行测量。抗压强度测试遵循ASTM C109/C109M-20标准，每种混合物的测试结果取三个重复样本的平均值。此外，这些参数的分布情况在图2的violin图中进行了展示，其统计细节见表1。

处理多重共线性对于保持机器学习模型的强度和可靠性至关重要。多重共线性可能给ML模型带来挑战，因为它可能增加估计系数的方差，从而影响对每个特征对结果变量独立影响的评估。因此，模型的可解释性受到损害，预测的稳定性和准确性也可能受到影响。为了减轻多重共线性的影响，建议将相关系数（R）保持在0.8以下。通过Pearson和Spearman相关性热图，研究人员可以识别ML模型中的多重共线性问题。Pearson用于衡量线性关系，而Spearman用于评估单调关系。这些热图有助于检测高度相关的变量，从而帮助研究人员解决多重共线性问题并提高模型的准确性。如图所示，几乎所有变量的相关系数均低于0.8，表明没有多重共线性问题。

模型开发过程中，研究人员对每个算法设置了特定参数，以优化其在预测废料衍生水泥基复合材料CSAA方面的性能。对于SVR-PSO模型，参数设置包括最小惯性权重（w_min）为0.2，最大惯性权重（w_max）为0.8，最大速度（V_max）为6，认知和社交系数（c?和c?）分别为1.6和1.8。SVR-GWO模型的参数包括“a”值在[0,2]范围内的线性递减。最后，SVR-FFA模型的参数配置为吸收系数（α）为0.2，随机化参数（rand）为0.93，初始吸引力（β?）为2，以及光吸收系数（γ）为1。这些精心调整的参数使混合模型能够有效地从数据中学习，并提供准确的CSAA预测。

为评估每种模型的有效性，采用了多种统计指标，如图5所示（Kumari等，2024）。这些指标提供了对模型在不同条件下的预测能力的深刻见解。模型的数学表达式见方程1至方程7。其中，A_i表示观测值，B_i表示预测值，N表示总观测次数，符号上的横线表示平均值，K_m表示独立变量的数量。M20代表预测值与实际值比值在0.90至1.20范围内的预期计数，而M10则覆盖0.80至1.10的范围。

在训练阶段，SVR-PSO模型表现出最高的准确性，R2值为0.980，RMSE为0.471。SVR-GWO和SVR-FFA模型也表现出良好的性能，R2值分别为0.978和0.977，RMSE分别为0.486和0.506。相比之下，DT模型的预测准确性较低，R2值为0.622，RMSE为2.591。RF模型的预测性能中等，R2值为0.912，RMSE为1.306。在测试阶段，SVR-PSO模型继续领先，R2值为0.984，RMSE为0.564。SVR-GWO和SVR-FFA模型紧随其后，R2值分别为0.981和0.980，RMSE分别为0.621和0.659。DT模型的R2值为0.649，RMSE为3.444，而RF模型的R2值为0.974，RMSE为1.450。这些统计结果确认了基于SVR的混合模型，尤其是SVR-PSO模型，在预测CSAA方面的优越性和一致性。

为评估模型的泛化能力，采用了10折交叉验证策略，通过10次随机数据分割平均性能，以减少方差和偏差（Jagadesh等，2024；Paruthi等，2023）。该过程如图9所示。SVR-PSO模型在10折交叉验证中表现最佳，平均R2值为0.95，RMSE最低为0.36。随后是SVR-GWO（R2=0.92，RMSE=0.45）和SVR-FFA（R2=0.91，RMSE=0.53）。相比之下，传统的集成模型和树模型，如RF（R2=0.89，RMSE=1.11）和DT（R2=0.80，RMSE=2.31），预测准确性较低。这些结果突显了基于SVR的混合模型，特别是SVR-PSO模型，在预测CSAA方面的能力优势。

SHAP值被用于解释多个输入特征对ML模型预测CSAA的影响，如图11所示。在这些特征中，CS的平均SHAP值最高，约为6，表明其对预测具有显著影响。GP的平均SHAP值约为0.7，而ESP的平均SHAP值约为0.5。其他特征如SF、C和S的平均SHAP值约为0.1，而SP和W的影响则较为微弱。这一分析突显了每个预测因子在估计模型中的相对重要性。

PDP分析（图13）提供了关于多个预测因子对废料衍生水泥基复合材料CSAA影响的详细见解。PDP分析表明，随着复合材料CS的增加，CSAA显著上升，显示出CS和CSAA之间的强正相关性。这表明CS是提高这些复合材料酸侵蚀抵抗能力的关键因素。同样，GP的部分依赖性表明，随着GP含量的增加，CSAA也随之上升，这说明增加GP的含量可以提高复合材料的酸侵蚀抵抗能力。相反，ESP的部分依赖性则呈现出随着其含量增加而下降的趋势，表明ESP对CSAA具有负面影响。此外，PDP分析还表明，随着S含量的增加，CSAA略有上升，但这种效应不如CS或GP显著。对于其他特征，CSAA基本保持不变，表明它们对复合材料酸侵蚀抵抗能力的影响较小。总体而言，PDP分析突显了CS、GP和ESP在决定废料衍生水泥基复合材料CSAA中的重要作用，其中CS和GP具有正向影响，而ESP则具有负面影响。

为了提高预测的便捷性，研究开发了一个基于Python的tkinter库的图形用户界面（GUI），该界面基于表现最佳的SVR-PSO模型。用户可以通过输入混合参数，快速预测含有GP和ESP的水泥基复合材料的CSAA。该GUI的设计确保了易用性，包括标记的输入字段、预测和重置按钮以及用于显示预测值的区域。通过比较GUI生成的预测结果与测试数据集，验证了其性能，确认了预测精度与SVR-PSO模型的指标（R2=0.984）一致。

与以往研究相比，本研究在预测水泥基复合材料的机械和耐久性能方面引入了新的方法。例如，在含有ES和GP的水泥砂浆中，袋外方法表现最佳（Q. Cao等，2023）。XGBoost在预测含有稻壳灰（RHA）的砂浆性能方面也取得了高精度（Datta等，2024），而RF在预测掺入纺织废料污泥的混凝土抗压强度方面表现出色（Mottakin等，2024）。基于SHAP分析的梯度提升回归树（GBRT）被用于估算掺入矿物添加剂的再生骨料混凝土的碳化深度（Nunez和Nehdi，2021）。通过敏感性分析评估的袋外方法在含有粉煤灰和高炉渣的混凝土中表现出相对中等的预测精度（Ahmad等，2021）。此外，ANN在预测掺入高炉渣的混凝土抗压强度方面也表现出优异性能（Ansari等，2024）。

尽管本研究取得了一定成果，但仍存在一些局限性。研究依赖于一个中等规模的数据集（n=234），这可能限制了结果的稳健性和泛化能力。此外，数据来自多个来源，可能存在测试方法、材料特性和环境条件的异质性。这种差异可能会影响模型在新数据集或未见过的数据集上的表现。同时，模型在不同环境条件或混合比例下的泛化能力尚未完全验证。未来的研究应着重于扩展数据集，增加更多多样化的标准化实验数据，以增强模型的可靠性，并应用深度学习技术，如结合ANN的黑猩猩群体优化算法。此外，提出的混合ML模型还可以扩展用于预测其他耐久性指标，如碳化深度。