由于快速的城市化进程，建筑行业的持续扩张导致了大量建筑和拆除（C&D）废物的产生，这些废物包括混凝土、砖块、矿渣和粉煤灰[1]。目前，建筑废物占全球城市垃圾的20%到30%[2][3]。如果这些废物得不到妥善管理，不仅会占用宝贵的土地，还会对环境造成严重威胁[4]。此外，建筑活动产生的温室气体排放加剧了气候变化[5][6][7]，仅水泥生产就贡献了全球碳排放量的大约8%到10%[8][9]。鉴于这些紧迫的挑战，有效管理建筑废物对于减轻其生态影响至关重要[10,11]。政府和环保组织越来越强调采用可持续策略来减少建筑废物，例如用再生骨料（RA）替代天然骨料，并利用矿渣和粉煤灰等工业副产品作为传统胶凝材料的替代品[12]。这种方法不仅减少了废物的产生，还节约了资源，符合可持续发展的目标[13]。
再生骨料混凝土（RAC）结合了再生骨料（RA）和工业副产品，成为应对日益严重的建筑废物问题的有前景的策略[14]。RAC在当前的城市化背景下具有显著的生态优势[15]。尽管再生骨料的机械性能可能略低于天然骨料，但通过合理的混合设计和施工过程中的严格控制可以提高混凝土的整体结构完整性[16][17]。掺入矿渣和粉煤灰等工业副产品不仅促进了更可持续的资源利用，还减少了了对天然材料的依赖[18]。这种替代不仅降低了生产成本，还通过提高抗压强度和耐久性增强了混凝土的性能，从而延长了结构的寿命[19][20][21]。此外，使用这些材料还有助于减少建筑废物，进一步促进了可持续发展[22]。因此，将工业副产品整合到RAC中不仅有利于环境保护，还能满足建筑的性能和经济需求，显示出广泛的应用潜力和显著的市场可行性[23]。
RAC作为可持续解决方案的潜力与其结构性能密切相关，特别是抗压强度——这是确保安全和耐久性的关键参数。RAC的抗压强度受多种因素影响，其中混合设计起着至关重要的作用[24][25][26]。优化的混合设计可以确保各种成分的比例和质量得到精确平衡，以实现混凝土所需的性能和稳定性[27]。关键考虑因素包括水泥含量、水灰比、细骨料与粗骨料的比例，以及粉煤灰和粒化高炉矿渣的掺入比例[28]。结构良好的混合物不仅提高了抗压强度，还改善了耐久性和工作性[29]。然而，RAC的复杂性和变异性使得传统的经验混合设计方法无法满足工程项目严格的性能要求[30]。
机器学习（ML）的快速发展为应对这些挑战提供了新的途径[31]。将ML技术应用于混凝土技术引起了广泛关注，许多研究探讨了其在预测建模方面的潜力，尤其是在混凝土混合设计优化方面[32,33]。如表1所示，Avijit等人的最新研究表明，ML模型能够准确预测纤维增强再生骨料混凝土（FR3C）的坍落度并揭示其复杂的依赖关系，使用了十二种不同的ML算法[34]。同样，Zhang等人利用六种ML技术预测了纤维增强聚合物（FRP）混凝土的界面粘结强度，其中XGBoost模型的准确性优于现有公式，变异系数降低了54%[35]。Emadaldin等人通过将XGBoost与创新的元启发式优化算法结合，进一步提高了RAC中碳化深度的预测精度，有效解决了该领域ML应用中的关键问题，并强调了环境条件对碳化过程的重要影响[36]。总的来说，这些进展凸显了ML在革新混凝土技术方面的巨大潜力[40]。
关于再生混凝土的机器学习研究已经扩展到抗压强度以外的弯曲和劈拉性能，通常结合实验和数据驱动的建模。Kazmi和Munir开发了这些性能的ML预测器，并讨论了对结构设计的影响[41]。最近的关键综述强调了RAC建模中需要透明数据库、标准化输入和可解释分析[42]。相关工作还涉及再生混凝土粉末的实验验证和生命周期评估[43]，并在更大的多源抗压强度数据集上对比了回归方法[44]。相比之下，本研究针对的是掺有粉煤灰和粒化高炉矿渣的低碳RAC，提供了一个经过严格筛选的数据集，并对基线和优化增强模型的抗压强度预测进行了比较评估，同时提供了敏感性分析和实用的预测工具。
与此同时，已经开发了用于智能混凝土混合设计的混合优化框架，其中贝叶斯模型更新与非支配排序遗传算法（NSGA）相结合，以实现基于不确定性的校准和基于帕累托的优化，用于钢纤维增强混凝土的弯曲性能和混合比例[45][46]。
然而，当前研究领域仍存在一些挑战。可用数据集的质量和数量有限，阻碍了模型的泛化能力，某些机器学习算法在应用于复杂混凝土数据时可能会出现过拟合或欠拟合的问题，从而影响模型的性能和稳定性[47][48]。此外，文献中单一算法方法的普遍使用限制了对混凝土抗压强度预测模型进行全面分析和优化的机会[49]。值得注意的是，很少有研究建立了同时包含粉煤灰和粒化高炉矿渣的RAC抗压强度的集成多源数据集。此外，对传统模型、集成模型和优化增强型神经网络模型在这些集成数据上的系统比较仍然有限。为了解决这些挑战，需要进一步的研究，重点在于改进数据收集和处理方法，以及探索更有效的ML算法和模型评估方法。这些举措对于提高RAC抗压强度预测模型的准确性和稳定性至关重要，从而促进RAC在工程实践中的更广泛应用。
在这项研究中，收集了230个再生骨料混凝土（RAC）样本的抗压强度数据，以分析七个关键参数之间的相关性。采用了三种单独的机器学习算法和三种集成方法来建模抗压强度。输入和输出参数的选择经过了精心设计，以确保模型的有效性和准确性。此外，还使用了决定系数（R2）、均方根误差（RMSE）和K折交叉验证来验证和比较模型。实施了四种性能评估指标来评估和对比模型。本研究采用的方法不仅提高了RAC混合设计研究的效率和准确性，还为进一步探索和优化RAC混合设计提供了实用的解决方案。
