化学引导的极端梯度提升模型预测碱激发混凝土弹性模量：基学习器变体的性能解析

为应对传统硅酸盐水泥(OPC)的高CO2排放问题，研究人员通过极端梯度提升回归(XGBR)框架，集成决策树(DT)、人工神经网络(ANN)和支持向量回归机(SVR)等基学习器，构建了碱激发混凝土(AAC)静态弹性模量(SME)预测模型。研究发现SVR-XGBR在泛化性能上媲美传统DT-XGBR，并通过SHAP分析揭示了抗压强度、总含水量和Na2O含量为关键影响因素，为可持续建材设计提供了数据驱动解决方案。

　　

随着全球建筑行业对传统硅酸盐水泥(OPC)的依赖持续加剧，其生产过程中产生的CO₂排放已占全球人为排放量的5-8%，成为气候变化的重大推手。每生产1吨OPC需消耗2.72 GJ热能和65 kWh电能，同时释放约0.9吨CO₂，这种不可持续的发展模式亟需变革。虽然工业副产品如粒化高炉矿渣(GGBFS)和粉煤灰已作为辅助胶凝材料(SCM)部分替代OPC，但其环境效益仍显不足。碱激发混凝土(AAC)作为一种完全替代OPC的绿色建材，因其利用工业废料中的活性铝硅酸盐成分，在碱性环境下聚合形成高强度材料，展现出巨大的环保潜力。然而，AAC的静态弹性模量(SME)——衡量结构件弹性变形能力的关键指标——受前驱体化学组成、碱性溶液特性等多因素复杂影响，传统基于抗压强度的经验公式预测精度有限，严重制约了AAC的工程应用。

为突破这一瓶颈，研究人员创新性地将极端梯度提升回归(XGBR)算法引入AAC性能预测领域，并系统比较了决策树(DT)、人工神经网络(ANN)和支持向量回归机(SVR)三种基学习器在XGBR框架下的表现。研究团队通过文献调研构建了涵盖材料组成、反应活性、配合比设计及养护条件的AAC综合数据库，采用Optuna超参数优化框架进行模型调参，并运用SHAP值分析和部分依赖图揭示了关键影响因素及其交互作用。

关键技术方法包括：(1)基于XGBR集成学习框架开发DT/ANN/SVR三种基学习器变体；(2)采用Optuna进行超参数优化，利用异步并行和早停策略提升计算效率；(3)通过SHAP值和排列特征重要性分析模型可解释性；(4)建立包含化学组成、混合比例等多元特征的AAC数据库。

数据库描述
研究筛选了包含详细前驱体化学成分、碱性溶液特性及养护条件的文献数据，确保所有SME测试均符合ASTM C469标准。最终数据库涵盖飞灰/GGBFS基AAC的化学组成、Na₂O含量、水胶比等21项特征，为模型训练提供全面基础。

Boosting ensembles based on XGBR
研究对比了DT-XGBR、ANN-XGBR和SVR-XGBR三种变体。其中ANN-XGBR采用L2正则化浅层网络，SVR-XGBR首次引入L2正则化支持向量机，通过降低基学习器复杂度提升泛化能力。Wilcoxon符号秩检验显示，DT-XGBR在训练集误差最低，而SVR-XGBR在测试集表现最优，验证了新型基学习器的有效性。

Hyperparameter sensitivity analysis
学习率对DT-XGBR影响最显著，最佳值为0.1；SVR-XGBR对核函数带宽(γ)敏感，γ=0.01时误差最小；ANN-XGBR隐层神经元数需控制在10-20之间以避免过拟合。所有模型通过早停策略确定最优迭代次数。

Conclusions
研究表明：(1)SVR-XGBR在保持DT-XGBR精度的同时显著提升泛化能力；(2)抗压强度、总含水量和Na₂O含量是预测SME的三大关键因子；(3)部分依赖分析揭示了Na₂O与SiO₂/Al₂O₃摩尔比的协同效应，当SiO₂/Al₂O₃=3.2时材料刚度最佳。该研究不仅为AAC性能预测提供了先进工具，其化学引导的建模思路更为其他复杂建材体系的研究树立了新范式。

这项发表于《Engineering Applications of Artificial Intelligence》的工作，由Seyed Ali Eftekhar Afzali、Emad Golafshani和Tuan Ngo合作完成，通过机器学习与材料化学的深度融合，为绿色建筑材料的智能化设计开辟了新途径。研究开发的图形用户界面(GUI)进一步降低了技术门槛，使工程师能直观评估配比参数对SME的影响，加速AAC从实验室走向工程实践。