基于集成机器学习的废弃硫铝酸盐水泥浆抗压强度预测

《Environmental Research》：Ensemble Machine Learning Prediction of Compressive Strength in Waste-Derived Sulfoaluminate Cement Paste

工业固废作为硫酸铝水泥（SAC）替代原料时，其复杂成分导致性能不稳定。本研究基于707组文献数据，构建了融合原料成分、煅烧温度时间、石膏类型及含量、试样制备条件、养护时间的多源因素机器学习模型。通过随机森林（RF）与神经网络（NN）的集成模型，在14组独立实验中实现抗压强度预测精度R2=0.87，误差率低于10.82%。SHAP可解释性分析表明原料成分对强度影响占比34.9%，验证了成分驱动预测的有效性。

　　

作者：杜宇、李杰、王寅、潘兰佳、何俊、李波

中国科学院城市环境研究所，中国厦门361021

摘要

工业固体废物越来越多地被用作合成硫铝酸盐水泥（SAC）的替代原料。然而，其成分的复杂性导致性能不稳定。为了优化生产，开发了机器学习（ML）模型，基于文献中的707个数据点来预测SAC浆体的抗压强度。与传统基于矿物的方法不同，该模型考虑了多种因素，包括原料组成、熟料煅烧温度和持续时间、石膏类型和含量、样品制备条件以及养护时间。采用了单一和集成ML方法，包括随机森林（RF）、支持向量回归（SVR）和神经网络（NN）算法。集成RF+NN模型的准确率（测试R2 = 0.87）高于单一模型。基于模型的分析表明，原料组成是最重要的输入特征组，占34.9%的重要性，从而验证了以成分为驱动的预测策略。此外，还分析了每个输入特征与抗压强度之间的相关性。通过14个独立实验验证了集成ML模型，这些实验使用的SAC浆体完全由危险废物制成，所有预测误差均低于10.82%。这项工作提供了一个精确的、数据驱动的工具，用于快速筛选原料和优化工艺，为加速可持续SAC生产提供了省力且成本效益高的途径。

引言

为了减少普通波特兰水泥（OPC）的碳足迹和能源消耗（Xiao等人，2024年），提出了硫铝酸盐水泥（SAC）的生产方法，其煅烧温度比OPC低150-200°C（Canbek等人，2020年）。SAC仍然具有高早期强度（Tao等人，2023年）、快速凝固（Ghosh等人，2023年）、收缩补偿（Sirtoli等人，2019年）和优异的低温性能（Wang等人，2023年）。然而，SAC的生产仍然面临原料供应的挑战，特别是高品位铝土矿（Al?O?%≥55%），这大大增加了生产成本（Tanguler-Bayramtan等人，2024年；Wang等人，2022年）。为了解决这个问题，多种固体废物被用作SAC中所需氧化物的替代品（Li等人，2020年；Ren等人，2022年；Wang等人，2022年），与传统SAC生产过程相比，这种方法可能减少39%的环境负担（Tao等人，2023年）。值得注意的是，危险废物，如二次铝渣（SAD）（Ren等人，2022年）和城市固体废物焚烧灰（MSWIFA）（Li等人，2021年），已被用作SAC生产中的Al?O?和CaO来源，高温煅烧过程可以净化污染物（Li等人，2023年），提供了一种经济高效且环保的方法。

然而，合成具有满意机械性能的基于废物的SAC面临重大挑战，这归因于配方设计和煅烧条件的复杂性。传统的实验方法资源密集且往往只关注有限的因素，导致对变量之间复杂关系的理解不够全面，结果也不理想（Arachchilage等人，2023年）。多项研究报告了固体废物最佳混合比例的差异（Wang等人，2013年；Wu等人，2019年；Wu等人，2021年）以及添加到熟料中的石膏量（Li等人，2020年；Wu等人，2021年），突显了基于废物的SAC配方的复杂性和变异性。此外，这些方法难以增加废物用量并探索系统内的潜在非线性关系（Arachchilage等人，2023年）。这些传统方法的局限性强调了开发先进方法来更好地配制和优化基于废物的SAC生产的必要性。

为了解决这些挑战，机器学习（ML）作为一种有前景的方法出现，可以根据科学研究和工业生产的历史数据来预测和优化材料性能（Li等人，2021a；Yao等人，2023年；Zhao等人，2022年）。Le等人（2022年）使用ANN-ICA预测了各种岩石类型和形成方法的无约束抗压强度，与实验数据的偏差小于±20%。ML在水泥材料领域也受到关注，因为它在处理全面和高维数据方面具有优势（Dang等人，2025年）。例如，Luo等人（2023年）使用极端梯度提升（XGB）模型预测镁硅酸盐水泥的抗压强度时，获得了0.96的高决定系数（R2）。ANN和NLR模型在预测添加了聚合物的水泥灌浆砂的抗压强度方面表现出色（Mahmood等人，2021年）。Zhang等人（2024年）成功使用随机森林（RF）和粒子群优化反向传播人工神经网络模型预测了磷酸镁水泥基复合材料的抗压强度。此外，人工神经网络（ANNs）已成功应用于通过整合无损测试数据来预测混凝土的抗压强度（Asteris和Mokos，2020年）。Arachchilage等人（2023年）使用XGB模型基于熟料的矿物组成和养护条件成功预测了SAC浆体的抗压强度，R2为0.95。此外，Dang等人（2025年）指出，基于神经网络（NN）的算法在回归分析和特征分类方面表现出色，这已被用于解释水泥砂浆成分与抗压强度之间的相关性（Armaghani和Asteris，2021年）。此外，SHapley加性解释（SHAP）方法揭示了CaO和SiO?对OPC中铝酸钙生成的主要影响（Fayaz等人，2025年）。

尽管最近进行了尝试，现有的ML模型是为特定类型的原料开发的，并且严重依赖于矿物相组成作为模型输入以提高预测准确性（Arachchilage等人，2023年）。然而，获取此类数据需要繁琐的煅烧和定量分析，这使得早期原料筛选不切实际。此外，文献中一致的定量矿物学数据很少（El-Alfi和Gado，2016年；Gallardo-Heredia等人，2017a），这限制了基于大规模数据集的通用模型的开发。虽然Bogue方程试图从原料化学组成推导出矿物相，但由于忽略了煅烧条件，其准确性往往不足（Li等人，2020年；Wang等人，2022年）。因此，迫切需要一种能够直接从原料化学组成和煅烧参数预测抗压强度的模型。这种策略有效地规避了数据稀缺性和Bogue方程的静态限制，促进了基于废物的SAC的有效筛选和工艺优化。

因此，首先建立了一个全面的基于废物的SAC制备数据集，包括原料组成、煅烧条件、添加到熟料中的石膏类型和含量以及养护条件。对数据集进行了统计分析，以通过全面评估不同固体废物对SAC浆体抗压强度的影响来指导原料筛选。随后，开发了单一和集成ML模型来预测基于废物的SAC浆体的抗压强度。还使用了基于模型的SHAP分析来阐明特征的重要性及其与相应抗压强度的相关性，从而推进了基于废物的SAC开发的知识。此外，进行了14组实验来验证开发的ML模型。这项工作的预测模型和宝贵见解有助于筛选固体废物原料、混合配方设计以及优化基于废物的SAC的生产条件。

数据收集与整理

数据收集与整理

进行了全面的文献调查，以收集文献中发表的实验结果，构建数据集。使用“硫铝酸盐水泥”、“工业固体废物”、“煅烧/烧结过程”和“抗压强度”作为关键词搜索相关文章以收集数据。共收集了34篇文章中的707个数据点来构建和验证预测模型。数据集包括22个数值型和3个分类型输入特征。

收集数据的统计分析

根据主要元素对整合数据集中的固体废物进行了统计分析，如图1所示。这种方法至关重要，因为不同材料为yelimite和belite的形成提供了特定的元素（方程式（7）、（8）、（9）、（10））。为了便于比较，主要提供CaO、Al?O?和SiO?成分的材料被分类为危险废物（HW）、工业生产废物（IPW）、矿业废物（MW）和矿产资源（MR）。

结论

本研究开发了可解释的ML模型，根据原料的化学组成和操作参数预测基于废物的SAC浆体的抗压强度。开发了四种ML模型来预测抗压强度，其中集成RF+NN模型的预测准确性最高（测试R2 = 0.87）。此外，模型的准确性通过实验结果得到了验证，PE为10.82%。此外，基于模型的SHAP分析揭示了……

作者贡献声明

潘兰佳：写作——审稿与编辑。 何俊：监督。 李波：写作——审稿与编辑、监督、资源获取。 杜宇：写作——审稿与编辑、初稿撰写、可视化、验证、软件、方法论、研究、数据分析、概念化。 李杰：写作——审稿与编辑、初稿撰写、可视化、资源获取、方法论、研究、数据分析、概念化。 王寅：监督。

未引用的参考文献

da Costa等人，2016年；Li等人，2023年；Li等人，2022年；Li等人，2023年；Li等人，2021年；Tao等人，2023年；Zhang等人，2024年；Zhang等人，2024年。

利益冲突声明

? 作者声明他们没有已知的竞争性财务利益或个人关系可能影响本文所述的工作。

致谢

本工作得到了中国厦门市国家自然科学基金（编号：3502Z202371029）、福建省社会发展重点项目（编号：2025Y0059）、浙江省科学技术厅的关键研发计划（编号：2023C03146）、中国厦门市2023年海外归国人员研究项目以及福建省重大科技专项（编号：2023YZ01110001）的财政支持。