《Results in Engineering》：Integrating Uncertainty and Explainable Machine Learning in Performance-Adjusted Life Cycle Assessment of Polyamide Fiber-Reinforced Concrete
编辑推荐：
本研究针对纤维增强混凝土生命周期评估(LCA)中存在功能单位不一致、性能变异性处理不足及数据不确定性等问题，开发了结合机器学习(ML)与性能调整LCA的创新框架。通过分析144组实验混凝土配合比，研究采用基于抗拉强度(TS)的功能单位，并应用支持向量回归(SVR)模型（R2=0.98）和SHAP可解释性分析，明确水、水泥含量对TS的主导影响，以及水泥、减水剂和原生纤维对环境影响的突出贡献。结果显示，再生聚酰胺(PA)纤维可降低全球变暖潜能(GWP)93%、化石燃料消耗97%及人类毒性41%。该框架为高性能低碳混凝土设计提供了数据驱动的方法论支持。
在追求建筑行业可持续发展的道路上，混凝土作为全球用量最大的建筑材料，其环境足迹的精准评估至关重要。然而，传统的生命周期评估(LCA)方法在应用于纤维增强混凝土时面临诸多挑战：功能单位定义往往基于质量或体积，忽略了不同配合比之间力学性能的差异；对数据不确定性和实验变异性处理不足；再生材料的环境优势常被简单归因于其废弃来源，而缺乏性能等效条件下的科学验证。这些局限性使得 virgin（原生）与recycled（再生）聚酰胺(PA)纤维在混凝土中的真实环境效益对比难以客观呈现。
为突破这些瓶颈，研究人员在《Results in Engineering》发表了开创性研究，首次将可解释机器学习(Explainable ML)与性能调整LCA相结合，构建了一个能够同时考量力学性能和环境影响的评估框架。该研究聚焦于PA纤维增强混凝土，通过整合144组实验配合比数据，以抗拉强度(Tensile Strength, TS)作为功能单位基准，确保了不同配合比之间比较的公平性。
研究采用了多阶段分析方法：首先对实验数据进行标准化清洗（包括插补、归一化和异常值过滤），随后开展从摇篮到大门(cradle-to-gate)的LCA建模，最后运用五种机器学习算法预测TS和环境影响。关键技术创新在于引入SHAP（Shapley Additive Explanations）可解释性分析，定量揭示各配合比参数对机械性能和环境影响的贡献度。
主要技术方法
研究通过系统收集35篇文献中的144组混凝土配合比实验数据，涵盖原生与再生PA纤维的不同掺量。采用支持向量回归(SVR)等五种ML模型进行预测，通过网格搜索和10折交叉验证优化超参数。LCA建模基于Ecoinvent数据库和ReCiPe 2016中点评价方法，并采用留一研究出(LOSO)验证确保模型泛化能力。
模型性能与特征重要性
支持向量回归(SVR)在预测TS时表现最优（测试集R2=0.98）。SHAP分析表明：水与水泥含量是TS的主要驱动因素，而水泥、减水剂和原生纤维含量主导环境影响。特别值得注意的是，纤维类型对力学性能影响较小，但对环境指标影响显著。
环境效益量化
量化分析显示，用1kg再生PA纤维替代原生纤维可降低全球变暖潜能(GWP)92.9%、化石燃料稀缺性96.8%和人类毒性40.8%。这种效益在性能等效条件下（即保持相同TS水平）尤为突出，证实了再生纤维的环境优势。
可持续性设计启示
通过对比机械与环境影响的特征重要性排序，研究发现水泥含量在两者中均居前列，凸显其双刃剑作用。而辅助胶凝材料(SCMs)如粉煤灰和矿渣可协同提升强度和降低环境负荷。再生纤维虽对TS贡献有限，但其环境效益显著，适用于非结构应用场景。
结论与展望
该研究建立的ML-LCA框架成功解决了传统评估中性能与环境影响脱节的问题，为低碳混凝土设计提供了数据驱动决策工具。未来研究可扩展至更广的纤维掺量范围、耐久性指标及全生命周期场景，进一步推动可持续建筑材料的发展。
