《Case Studies in Construction Materials》：Experimental and Explainable Machine Learning Assessment of Flexural Strength in Cement-Free Plastic–Sand Composites
编辑推荐：
本研究针对水泥基材料高碳排放和塑料废弃物污染问题，创新性地采用废塑料完全替代水泥作为粘结材料，结合玄武岩纤维增强和可解释机器学习技术，系统探究了无水泥塑料-砂复合材料的抗折性能。实验结果表明，较细砂粒、商用塑料和适量玄武岩纤维可显著提升抗折强度，XGB模型预测精度最高（R2=0.99），SHAP分析揭示纤维含量和砂粒尺寸为关键影响因素。该研究为可持续建筑材料开发提供了数据驱动的新范式。
随着全球建筑行业的快速发展，水泥基材料的广泛使用带来了严重的环境问题。水泥生产过程中产生的大量二氧化碳排放，加剧了温室效应和气候变化。与此同时，塑料废弃物的不断积累也对生态系统构成长期威胁。传统的水泥生产不仅消耗大量能源，还导致自然资源过度开采，而塑料废弃物的不当处理则通过填埋或焚烧造成环境污染。这些严峻的环境挑战促使研究人员寻求更加可持续的建筑材料解决方案。
在此背景下，浙江大学土木工程学院的研究团队在《Case Studies in Construction Materials》上发表了一项创新性研究，提出了一种完全无水泥的建筑材料新思路。该研究摒弃传统水泥，利用废塑料作为粘结材料，开发出新型塑料-砂复合材料，为解决水泥高碳排放和塑料污染问题提供了双赢方案。
研究人员采用了一套综合性的实验与机器学习相结合的研究方法。首先通过系统的实验方案评估了砂粒尺寸、塑料类型与含量、玄武岩纤维增强对抗折强度的影响；随后利用支持向量回归(SVR)、极限梯度提升(XGB)和基因表达编程(GEP)三种机器学习算法建立预测模型；最后采用SHAP可解释人工智能工具量化各输入参数的相对贡献度，并通过k折交叉验证确保模型的稳健性。
3.1. 砂粒尺寸对抗折强度的影响
通过对比不同砂粒级配的抗折性能，研究发现较细的砂粒（<0.30 mm）能够产生更高的抗折强度，最高达到4.26 MPa。这归因于细砂颗粒改善了材料密实度和塑料粘结剂与砂粒间的界面粘结效果，从而更有效地传递弯曲荷载下的应力。
3.2. 塑料-砂比例对抗折强度的影响
研究系统比较了废塑料(WP)和商用塑料(CP)系列在不同配比下的性能表现。结果表明，两种塑料类型均在30-70%的塑料-砂比例下达到最佳抗折强度，其中CP系列表现更优，最高强度达4.91 MPa，比WP系列高出约6%。
3.3. 玄武岩纤维含量对抗折强度的影响
引入玄武岩纤维 reinforcement 后，复合材料的抗折性能得到显著提升。纤维含量从0.10%增加到1.00%时，抗折强度呈现持续增长趋势，在0.50%含量时达到6.73 MPa，比未增强试样提高约35%。纤维通过有效的裂纹桥接机制增强了材料的断裂韧性。
3.4. 机器学习模型性能比较
三种机器学习模型中，XGB表现出最优的预测精度，确定系数R2达到0.99，均方根误差(RMSE)仅为0.113 MPa。SVR和GEP模型也表现出良好的预测能力，R2分别为0.98和0.97。GEP模型的独特优势在于能够生成显式的数学表达式，为工程应用提供透明化的预测工具。
3.5. 统计检验与k折交叉验证
通过严格的统计指标和十折交叉验证，研究证实了所有模型的可靠性。XGB模型在各项误差指标上均表现最佳，且在不同数据分割下保持稳定的预测性能，证明了其良好的泛化能力。
3.6. 输入参数影响的解释性分析
SHAP分析结果表明，玄武岩纤维含量和砂粒尺寸是影响抗折性能的最关键参数。纤维通过裂纹桥接和应力重分布机制增强复合材料性能，而砂粒尺寸则直接影响颗粒堆积密度和界面应力传递效率。
该研究的创新之处在于将材料开发、纤维增强、性能表征和可解释机器学习整合在一个统一框架内。不仅证明了无水泥塑料-砂复合材料的技术可行性，还提供了可靠的预测工具和透明的解释性分析。研究所开发的图形用户界面(GUI)进一步增强了成果的工程实用性，使材料设计和性能预测更加便捷。
这项研究为可持续建筑材料的发展提供了新思路，通过智能建造框架将实验研究与数据驱动建模相结合，为实现环境友好型建筑材料的开发和优化奠定了重要基础。未来研究可进一步扩展至耐久性评估、多目标优化和不确定性量化等方面，以推动该技术向实际工程应用的转化。
