在全球推动“双碳”目标的背景下，建筑行业正积极探索绿色、低碳、可循环的新型材料。废塑料在水泥基材料中的应用成为一个重要方向。然而，废塑料的掺入往往会显著降低砂浆的力学性能，成为工程应用的瓶颈。

近日，一篇发表于 Buildings 期刊的研究，利用5种混合机器学习模型，系统预测了塑料基砂浆（PBM） 的抗折强度、生产成本和CO₂排放，并开发了图形化交互界面（GUI），为绿色建材的智能设计提供了新思路。

01 研究背景：废塑料砂浆的机遇与挑战

• 全球每年产生超过 3亿吨塑料废料，大量进入填埋或焚烧。

• 建筑行业消耗约 40%的全球原材料，是资源消耗和碳排放的重点领域。

• 废塑料部分替代天然骨料，可减少资源消耗和环境污染。

• 痛点：塑料与水泥基体界面结合弱 → 抗折、抗压强度显著下降（最高降幅可达30%）。

传统实验方法难以捕捉多变量间的复杂非线性关系 → 引入机器学习（ML）成为必然选择。

02 研究目的

本研究旨在：

1. 构建并比较5种混合机器学习模型对PBM抗折强度的预测能力；

2. 同时预测生产成本与CO₂排放；

3. 识别关键影响因素；

4. 开发图形用户界面（GUI），便于工程应用。

03 研究方法与数据

数据集构成

• 408组样本，来自已发表的高质量研究。

• 8个输入变量：

  • 水泥、塑料废料、硅灰、大理石粉

  • 砂、水、超塑化剂、玻璃粉

• 3个输出目标：

  • 抗折强度

  • 生产成本（$/m³）

  • CO₂排放（kg/m³）

5种混合机器学习模型

模型	特点
CNN-LSTM	空间特征 + 时间序列建模
XGBoost-PSO	粒子群优化超参数
SVM + K-Means	聚类辅助SVM
XGBoost + K-Means	聚类降噪 + 梯度提升
SVM-PSO	PSO优化SVM

额外使用 RA-PSO 模型预测抗压和抗拉强度。

评价指标

• 回归：R², MSE, RMSE, MAE, MARE

• 分类：精确率、召回率、F1、ROC-AUC

04 研究过程与重要图表分析

图5 & 图6：训练与测试精度对比（原文 p.11–12）

• CNN-LSTM 在5折交叉验证中：

  • 平均训练精度：0.991

  • 平均测试精度：0.975

• XGBoost-PSO 次之，SVM-PSO 最弱。

✅ 结论：CNN-LSTM在精度和稳定性上均最优。

图8：CNN-LSTM 预测残差分析（原文 p.13–14）

• 训练 R² = 0.9914

• 测试 R² = 0.9766

• 残差均趋近于零，无明显偏差或异方差。

✅ 结论：模型未发生过拟合，泛化能力强。

图9：统计性能对比（原文 p.16）

• CNN-LSTM 在测试阶段：

  • MSE = 0.00425（最低）

  • F1 = 0.983（最高）

  • ROC-AUC = 0.999

✅ 结论：在分类与回归任务中均表现卓越。

图10：泰勒图对比（原文 p.17）

• CNN-LSTM 点最靠近“理想参考点”：

  • 高相关系数

  • 低标准差

  • 低RMSE

✅ 结论：综合性能远超其他模型。

05 研究重难点

重点

• 多目标预测（力学 + 环境 + 经济）

• 混合模型对比（5种架构）

• 模型可解释性（SHAP、PDP、ICE）

难点

• 数据分布不均（如塑料废料、玻璃粉大量为0）

• 高维非线性关系

• 模型泛化能力与过拟合控制

06 研究结论

1. CNN-LSTM 是最优模型：

   • 抗折强度测试 R² = 0.977

   • CO₂与成本预测 R = 1.000

2. 关键影响因素：

   • 水（+0.69）

   • 超塑化剂（+0.69）

   • 塑料废料（-0.25）

3. RA-PSO模型：

   • 抗压/抗拉强度预测 R² ≈ 0.976

4. 开发了GUI工具：

   • 输入8种材料用量 → 输出强度、成本、碳排放

07 未来展望

• 扩展数据多样性：涵盖更多塑料类型（PET、HDPE、PP）和环境条件。

• 结合生命周期评估（LCA）：实现从“生产阶段”到“全生命周期”的碳排放预测。

• 轻量化模型：降低CNN-LSTM的计算资源需求，便于移动端或现场应用。

• 联邦学习/迁移学习：解决不同实验室数据异构问题。

写在最后

这项研究不仅证明了混合机器学习在绿色建材设计中的巨大潜力，更提供了一个可落地的工程工具。未来，混凝土配合比设计将不再是“试错”，而是“智能优化”。

如果你也在从事低碳建材、固废资源化或AI+材料的研究，这篇文章值得深入阅读。

原论文其它图速览：

---

📌 原文信息
Rezzoug, A. AI-Driven Optimization of Plastic-Based Mortars Incorporating Industrial Waste for Modern Construction. Buildings 2025, 15, 3751.

🔗 图片来源
本文所有图表均引自原文，标注页码为原文PDF页码。

注：更多关于机器学习水泥基的前沿知识小编之前有推荐，可以详细查阅，斯沃即可

如果您觉得文章不错，欢迎点赞、关注、收藏及转发~