编辑推荐：
本文针对建筑行业对高性能、可持续材料的需求，提出了一种整合工业纺织废料（TW）的自流平石膏复合材料开发新策略。研究团队通过实验表征与计算模型（DNN-IGWO-CV、GA）相结合的混合方法，系统评估了TW含量与W/P比对石膏流变、力学、耐久及热学性能的影响。结果表明，低剂量TW（0.25-1 wt%）的掺入可显著提升复合材料力学强度与隔热性能，但会降低其工作性，揭示了性能间的权衡关系。该研究不仅为纺织废料的资源化利用提供了创新路径，也为数据驱动的可持续建筑材料设计与优化提供了方法论支持。
当今建筑行业正面临着生产效率与可持续发展的双重挑战，工业化、预制化建造被视为未来的重要发展方向。然而，有效实施这些新型生产体系，亟需开发新一代兼具高性能与可持续性的建筑材料。在众多矿物胶凝材料中，石膏（又称灰泥）脱颖而出，其生产能耗低、温室气体排放少，并具有良好的适用性、易施工性以及优良的隔热隔音性能。更重要的是，其轻质特性使其非常适合于制造便于运输、安装的预制构件，从而在工业化建造过程中展现出巨大潜力。
尽管如此，石膏基材料也存在一个致命弱点：对湿度的敏感性。水分会削弱石膏晶体间的键合力，加速其崩解，导致力学强度显著下降。此外，湿气还会助长霉菌滋生和产生泛碱现象，损害材料耐久性与室内空气质量。近年来，通过纤维增强来改善石膏性能已成为一种颇具前景的策略，其中，使用包括合成纤维、天然纤维乃至废弃纤维在内的纤维材料，已被证明能有效提升石膏的力学性能。
在这一背景下，数量庞大的纺织废料（TW）的再利用成为了一个令人兴奋的机遇。全球范围内，纺织废料正以前所未有的速度累积，给环境带来巨大压力。将其转化为石膏基体的增强材料，不仅能“变废为宝”，还能赋予石膏复合材料新的特性。已有研究显示，源自纺织废料的聚酯纤维能改善石膏的强度与密度，而回收纤维增强的石膏复合材料则表现出优异的延性与抗弯性能。利用回收织物或工业纺织副产品作为石膏或石灰基复合材料的增强体，已成为推动环保建筑材料发展的重要努力方向，这不仅有助于缓解废弃物处置难题，降低建筑领域的碳足迹，也符合循环经济的原则。
然而，要精确设计出满足特定性能需求的TW增强石膏复合材料并非易事。纺织纤维的掺入会显著影响石膏复合物的流变性能和强度，需要合适的加水比和高效减水剂来确保其流动性和纤维分散性。同时，纤维类型、表面处理、长径比等因素对复合材料的最终性能起着决定性作用。传统的实验优化方法通常耗时耗力，且难以捕捉配方变量与性能指标之间复杂的非线性相互作用。
所幸，人工智能（AI）技术的兴起，为材料性能的预测与优化带来了革命性的希望。机器学习（ML）和深度学习（DL）方法能够从数据中挖掘出复杂的、高维度的关联，为材料系统设计提供了强大的数据驱动替代方案。将这类方法与元启发式优化算法（如遗传算法、粒子群优化、灰狼优化等）相结合，可以精确调整模型超参数，从而实现更优的预测精度和泛化能力。
正是在这一前沿交叉领域，一篇题为“Artificial intelligence-based prediction and optimization of textile waste recovery in hydrated plaster: A machine learning and meta heuristic approach”的研究论文在《Case Studies in Construction Materials》上发表。该研究探索了一种新颖的混合实验-计算方法，旨在开发环保高效的石膏复合材料，并将未处理的工业纺织废料（TW）作为增强相。研究不仅首次将低剂量的芳纶/粘胶混合纺织废料（0.25-1%）掺入石膏基体中，还引入了一个集成了机器学习与元启发式优化技术（DNN-IGWO和GA）的混合建模框架，以预测和优化材料的多个关键性能参数，从而为利用工业副产品开发可持续、高性能的石膏基材料提供了新的见解与方法论。
为探究纺织废料对石膏复合材料性能的影响并实现性能优化，本研究采用了严谨的实验表征与先进的计算建模相结合的方法。首先，研究制备了尺寸为40 × 40 × 160 mm的棱柱体试件，纺织废料含量在0%至1%之间变化，水灰比（W/P）在0.55至0.70之间变化，共设计了20种配比。对复合材料进行了全面的性能评价，涵盖流变参数（初凝与终凝时间、流动度）、耐久性（毛细吸水率）、力学性能（抗压强度CS与抗折强度FS）以及导热系数（TC）。其次，研究引入了人工智能辅助的预测与优化框架。构建了由改进灰狼优化器优化的深度神经网络模型（DNN-IGWO-CV），用于高精度预测各项性能指标。此外，还采用了遗传算法（GA）进行多目标优化，旨在获得强度、热性能和工作性之间的最优平衡方案。所有实验与计算均遵循相关标准规范，以确保结果的可靠性与可比性。
3.1. 力学、热学和物理性能
研究系统评估了纺织废料含量与水灰比对石膏复合材料各项性能的影响。结果显示，纺织纤维的掺入显著改变了材料的性能特征，在提升某些性能的同时，也对其他性能构成了挑战，揭示出材料设计中的固有“权衡”。
3.1.1. 初凝和终凝时间
初凝和终凝时间均随TW含量的增加而减少，尤其是在低水灰比时（2 min?1), (e) CS (MPa), (f) FS (MPa), and (g) TC (W/K m).">）。这表明纤维为石膏水化结晶提供了额外的成核位点，并可能通过局部吸水加速了水化动力学，起到了催化作用。在高水灰比下，额外的水会减缓这种加速效应。
3.1.2. 流动度
随着TW浓度的增加，尤其是低水灰比下，复合材料的流动度显著下降（2 min?1), (e) CS (MPa), (f) FS (MPa), and (g) TC (W/K m).">）。这归因于纤维对水分的部分吸收以及新鲜拌合物内部内聚力的增加，导致工作性降低。较高的水灰比可部分抵消这种吸收效应。
3.1.3. 毛细吸水率
TW的加入有效降低了复合材料的毛细吸水率（2 min?1), (e) CS (MPa), (f) FS (MPa), and (g) TC (W/K m).">）。例如，在水灰比为0.55时，吸水率从无TW时的约397 g/cm2min?1降至含1% TW时的314 g/cm2min?1。这是由于纤维改变了石膏的多孔微结构，增加了毛细管路径的曲折度，减少了有效孔隙连通性，从而提升了材料的耐水性和耐久性。
3.1.4. 抗压和抗折强度
力学性能呈现先增后降的趋势。抗压强度在TW含量为0.5-0.75%时达到最大值（10.36-11.67 MPa），而后在1%时略有下降（2 min?1), (e) CS (MPa), (f) FS (MPa), and (g) TC (W/K m).">）。抗折强度也表现出类似规律，在0.5-0.75% TW时获得最佳值（最高达4.17 MPa）（2 min?1), (e) CS (MPa), (f) FS (MPa), and (g) TC (W/K m).">）。这证实了纤维在应力传递和能量耗散方面的有效性。然而，当TW含量增加至1%时，抗折强度出现明显下降，研究表明这可能与复合材料内部不均匀性导致的优先断裂路径有关。无论抗压还是抗折强度，都随水灰比的增加而降低，这与高含水量导致结构更疏松多孔有关。
3.1.5. 导热系数
TW的掺入略微降低了复合材料的导热系数（2 min?1), (e) CS (MPa), (f) FS (MPa), and (g) TC (W/K m).">）。导热系数从纯石膏的约0.20 W/m·K降至高TW含量复合材料的接近0.15 W/m·K，这表明纤维相的引入打断了石膏基体中的热传导路径，起到了隔热效果，有利于提升建筑围护结构的热工性能。
3.3. 分析DNN、DT、KNN和SVM模型的预测能力
研究对四种机器学习模型的预测性能进行了全面评估与比较。用于优化的深度神经网络模型（DNN-IGWO-CV）在改进灰狼优化器的自动调参下，针对每个输出变量都获得了独特的网络结构（例如，对于初凝时间预测，最优结构为4个隐藏层，神经元数分别为8、10、3、6，激活函数分别为elliotsig, purelin, tansig, logsig）。评估指标包括决定系数R2、均方根误差RMSE、平均绝对误差MAE、平均绝对百分比误差MAPE、散点指数SI和复合目标函数OBJ。
结果显示，DNN-IGWO-CV模型在绝大多数性能参数的预测上都展现了卓越的准确性和稳健性。其预测值与实验值高度吻合，R2普遍高于0.95，表明模型能够解释95%以上的数据方差。相比之下，支持向量机、决策树和K近邻算法等传统机器学习模型虽然在特定参数上表现尚可，但其整体预测精度、稳定性和泛化能力均不及经过元启发式算法优化的深度神经网络模型。通过四折交叉验证，DNN-IGWO-CV模型在各个验证阶段都保持了很低的散点指数（SI < 0.1），证明了其优异的泛化能力和对过拟合的有效规避。
2.5. 使用遗传算法进行多目标优化
在获得高精度预测模型的基础上，研究采用了多目标遗传算法对石膏复合材料配方进行优化。优化问题被定义为在TW含量和水灰比两个决策变量的可行域内，同时最小化不良参数（如凝结时间、毛细吸水率、导热系数），并最大化有益参数（如抗压强度和抗折强度）。遗传算法最终生成了一个包含71个非支配解的帕累托前沿。这些解代表了在各项相互冲突的性能目标之间所能达到的最佳权衡。分析表明，最优配方区域集中于水灰比0.55-0.65、TW含量0.25-1 wt%的范围内。这为开发高性能、可持续的石膏复合材料提供了明确的、数据支持的配方设计空间，使材料工程师可以根据具体的应用侧重点（如更注重强度、隔热或施工性）从帕累托前沿中选择最合适的配方。
本研究通过系统的实验与计算分析，深入探讨了工业纺织废料增强石膏复合材料的性能演变规律，并成功应用人工智能技术实现了对其性能的精准预测与多目标优化。核心结论表明，低剂量（0.25-1%）芳纶/粘胶纺织废料的掺入，能够有效提升石膏复合材料的力学强度（抗压与抗折）、耐水性（降低毛细吸水）和隔热性能（降低导热系数），但会加速凝结并降低工作性。这揭示了在追求材料高性能与可持续性的同时，必须审慎权衡各项性能指标。
本研究的创新性与重要意义体现在多个层面。首先，在材料层面，首次将特定类型的工业纺织废料以低剂量形式成功整合进石膏基体，为这类大宗废弃物的高值化利用开辟了新途径，有力地支持了循环经济与可持续建筑的发展。其次，在方法论层面，研究构建并验证了一个高效的混合实验-计算框架，将深度神经网络与改进灰狼优化器相结合进行性能预测，再辅以遗传算法进行多目标优化。这套“AI驱动”的材料设计方法，能够显著减少传统“试错法”所需的实验次数与资源消耗，高效捕捉复杂非线性关系，为新材料、特别是可持续复合材料的快速开发和性能精准定制提供了强有力的新工具。最后，研究得出的一组帕累托最优解，为实际工程中根据不同性能优先级（如结构承重、保温隔热、施工便捷）选择或微调石膏复合材料配方提供了科学、量化的决策依据。总而言之，这项工作不仅推动了纺织废料在建筑材料中的回收利用，也为人工智能赋能可持续建筑材料工程领域树立了一个成功的范例。
