《AUTOMATION IN CONSTRUCTION》：Nature-inspired ML for strength estimation and multi-objective optimization of cement-supplementary material-stabilized soft soils
编辑推荐：
软土稳定中提出基于机器学习与多目标优化的水泥-补充胶凝材料混合物设计方法，通过XGBoost-GWO模型实现抗压强度预测精度R2=0.9798，关键参数包括养护时间、胶凝材料含量、水泥比例和钢渣含量，并采用多准则决策分析平衡机械性能、经济性与环境效益。
奇克齐·奇梅雷·奥涅克韦纳（Chikezie Chimere Onyekwena）|李云丽（Yunli Li）|范成凯（Chengkai Fan）|塞缪尔·J·阿比（Samuel J. Abbey）|吴文平（Wen-Ping Wu）|陈振松（Zhen-Song Chen）
中国武汉工业大学土木工程与建筑学院，武汉430074
摘要
软土稳定在岩土工程中是一个重大挑战，需要找到在性能与可持续性之间取得平衡的解决方案。本文提出了一种结合机器学习（ML）和优化算法的自动化方法，用于设计水泥-补充胶凝材料（SCM）混合物粘合剂，以实现有效的土壤稳定。研究了关键的设计变量，强调了它们在实现最佳强度方面的关键作用。在各种ML模型中，极端梯度提升（XGB）与灰狼优化（GWO）结合使用的方法取得了最高的预测准确性（R2 = 0.9798）。特征评估突出了养护时间、粘合剂含量、水泥比例和矿渣粉（GGBS）含量的重要性，同时揭示了塑性指数和液限等参数之间的负相关性。研究表明，加入GGBS可以有效提高土壤强度。该方法经过欧洲标准的验证，显示出优异的机械性能和环境效益，多标准决策分析确定了能够在不牺牲机械性能的情况下平衡经济和环境因素的可持续混合设计。
引言
全球人口的快速增长以及土地资源的稀缺，促使人们开发了各种工程基础设施，如基础、道路铺装、土坝和挡土墙，这些设施通常建在软土或疏浚海洋沉积物等问题土壤上[1]、[2]。这类土壤通常具有较低的强度、较高的压缩性和较差的抗剪性能，未经改良无法用于建筑[3]。为了促进可持续性，现代建筑实践强调对这些软土的再利用和回收，将废物转化为有价值的资源。使用胶凝材料进行化学稳定是一种广泛接受的方法，可以改善软土的工程性能，提高其强度、承载能力和耐久性[4]。
普通波特兰水泥（CEM-I）由于其广泛的可用性、易于使用以及能够提供高强度的特点，传统上一直是土壤稳定所选择的粘合剂[4]、[5]。然而，CEM-I的生产能耗很高，严重依赖化石燃料和石灰石煅烧，这占全球二氧化碳排放量的5-8%[6]、[7]、[8]、[9]。此外，水泥和石灰不适合高硫酸盐含量的土壤，因为它们可能引发钙矾石的形成和相关的膨胀问题[5]。因此，迫切需要更可持续的替代品。
最近的策略建议部分或完全用补充胶凝材料（SCMs）替代CEM-I，例如粉煤灰（FA）、矿渣粉（GGBS）和稻壳灰。这些SCMs不仅减少了对原始材料的依赖，还通过回收工业副产品促进了循环经济的原则[10]。美国能源部[11]强调了SCMs在实现水泥行业净零目标中的作用，而研究也表明它们具有火山灰活性，能够提高稳定土壤的耐久性和机械性能[12]、[13]、[14]。例如，FA已被证明有助于提高强度和可持续性[15]、[16]，而GGBS则在长期耐久性和减少收缩方面显示出优势[17]、[18]。
尽管水泥-SCM稳定土壤具有许多有前景的特性，但由于多种影响因素（包括粘合剂含量、养护时间和土壤特性），预测其强度行为仍然很复杂。无限制抗压强度（UCS）是评估稳定土壤性能的关键参数[19]、[20]。传统方法，包括经验回归模型[3]和扩展强度发展（ESD）模型[19]、[21]等分析方法，已被用于估算UCS，但这些方法往往需要大量的试错，限制了它们的实际应用。其他方法，如尺寸分析[22]、基因编程[23]和有限元建模[24]，虽然提供了替代方案，但可能无法充分捕捉水泥-SCM稳定土壤中复杂的非线性相互作用。
机器学习（ML）作为一种强大的工具，通过学习过去的观测数据集来预测稳定土壤的行为。研究表明，ML能够预测水泥处理土壤的各种机械性能，包括抗压强度、抗弯强度、抗拉强度以及弹性模量[20]、[25]、[26]、[27]、[28]。最近的创新包括将ML模型（如相关向量机）与优化技术（如粒子群优化）相结合，以提高UCS预测的准确性[26]。然而，大多数现有研究主要集中在传统的水泥稳定土壤上，忽视了ML在预测水泥-SCM稳定软土行为及其多目标优化方面的潜力。
为了解决这些不足，本研究提出了一个整合机器学习和多目标优化的框架，用于预测水泥-SCM稳定软土的UCS并评估其可持续性。具体目标包括：（1）开发并验证一个针对水泥-SCM稳定软土的ML多目标优化框架，包括一个高精度的UCS预测模型；（2）制定多标准目标函数（抗压强度、碳足迹、隐含能量和材料成本），并通过多标准决策分析（MCDA）来解决这些问题；（3）在三个代表性的混合设计场景中展示整个框架的应用。
总之，本研究旨在通过提出一个优化的极端梯度提升（XGB）模型与多目标技术相结合的方法，推进水泥-SCM稳定软土的可持续利用，从而指导设计出高效、高性能的土壤稳定解决方案。
相关研究
相关工作
在预测稳定土壤的UCS和其他机械性能方面，ML模型的应用受到了广泛关注，旨在提高土壤稳定过程的效率和可靠性。最近的研究展示了各种ML算法在这一领域的有效性（表1）。例如，Bahmed等人[26]将PSO算法与RVM模型结合使用，取得了0.95的高性能和低误差指标。
Tran[29]采用了...
材料与方法
本节描述了本文采用的材料和方法论框架。包括数据收集和预处理的程序、用于UCS预测的机器学习模型的开发、性能评估指标，以及用于可持续性设计的优化、生命周期影响评估（LCIA）和多标准决策分析（MCDA）的整合。
结果与讨论
本节展示了从开发的ML流程和优化的XGB-GWO模型中获得的结果。包括交互式特征分析、预测模型的比较评估以及优化土壤稳定性的可持续性评估。
结论
本研究通过整合机器学习、优化算法、生命周期影响评估和多标准决策分析，提出了一种自动化的、可持续的框架，用于设计水泥-SCM混合物粘合剂，以实现软土稳定。主要发现包括：
1.ML模型深入揭示了UCS设计变量之间的交互行为，特别是确定了养护时间、粘合剂含量和水泥含量是设计过程中的关键参数。
2.在所有ML...
作者贡献声明
奇克齐·奇梅雷·奥涅克韦纳（Chikezie Chimere Onyekwena）：撰写 – 审稿与编辑、撰写 – 原稿、可视化、验证、软件、方法论、研究、形式分析、数据整理、概念化。李云丽（Yunli Li）：撰写 – 审稿与编辑、可视化、验证、监督、资源管理、项目协调、资金获取、概念化。范成凯（Chengkai Fan）：撰写 – 审稿与编辑、可视化、验证、方法论、研究。塞缪尔·J·阿比（Samuel J. Abbey）：撰写 – 审稿与...
利益冲突声明
作者声明他们没有已知的可能会影响本文所述工作的财务利益或个人关系。
致谢
作者感谢国家自然科学基金[项目编号：52009097]、湖北省科学技术厅专项项目[项目编号：ZZKYYS202500014]、湖北省自然科学基金[项目编号：2024AFB711]以及武汉工业大学科学研究基金[项目编号：K2024025]提供的财政支持。
