一种基于数据的决策支持系统，用于可持续混凝土采购：通过多目标优化来平衡成本、碳排放和性能之间的权衡

《Sustainable Materials and Technologies》：A data-driven decision support system for sustainable concrete procurement: Navigating cost, carbon, and performance trade-offs via multi-objective optimization

　　

Thuy-Hien Thi Nguyen|Huong-Giang Thi Hoang|Thuy-Anh Nguyen|Hai-Bang Ly

越南河内交通技术大学工业4.0研究小组（I4T小组）

摘要

可持续的混凝土采购需要选择能够在满足机械性能要求的同时限制成本和碳排放的混合料。尽管现有的经验性混合料设计规则和最新的机器学习（ML）研究能够预测特定混凝土系统的性能，但大多数方法都是针对某一材料家族、某一目标行为或某一优化场景进行校准的。本研究提出了一个统一的决策支持系统（DSS），在该系统中，回收砖瓦、发泡塑料和橡胶改性混凝土在统一的成本-碳-强度采购框架下进行评估。该DSS结合了RIME优化的集成学习、基于SHAP的解释方法以及受限多目标优化（MOO）技术。三种集成学习器——极端梯度提升（XGB）、经典梯度提升（CGB）和轻量梯度提升机（LGB）——在包含回收砖瓦、发泡塑料和橡胶改性混凝土的1330个实验数据集上进行了优化、训练和内部测试。选定的XGB和CGB模型分别在回收砖瓦、发泡塑料和橡胶改性混凝土上的测试R2值为0.934、0.976和0.973。在一个涉及74,204.5立方米混凝土的项目应用中，与传统的波特兰水泥混凝土基线相比，该系统将碳排放减少了50%，总成本降低了13%。这一框架旨在作为一种采购筛选工具，用于对可行的混合料选项进行排名并支持权衡分析，但最终的选择仍需根据项目具体要求验证其可操作性、耐久性、机械性能和合规性。

引言

全球建筑行业正积极推进脱碳进程，这一趋势受到减少水泥基材料碳排放强度的监管要求的推动。这些材料被认为是人为温室气体（GHG）排放和资源加速消耗的主要来源，对建成环境的环境影响贡献巨大[1]，[2]。然而，对于采购决策而言，仅仅降低碳排放是不够的，所选的混凝土替代方案还必须满足机械性能要求，并且在特定项目约束条件下具有经济可行性[3]，[4]。

随着全球监管要求的日益严格，建筑行业面临着一个系统性挑战：如何在传统性能基准与严格的净零排放目标之间找到平衡。为了推进循环经济，利用工业副产品和固体废弃物（如回收砖瓦、橡胶颗粒和发泡剂）是减少混凝土生产和碳排放的有效方法[5]，[6]，[7]。然而，这些非传统原料的整合不仅仅是简单的材料替代，它们从根本上改变了水泥基材料的微观结构和水化动力学，因此需要采用更精细的性能预测方法。这些异质成分的加入为水泥基材料带来了显著的随机性，导致环境效益与机械性能（尤其是抗压强度CS）之间存在非线性权衡[8]，[9]，[10]。因此，可持续采购问题必须被视为一个高维多目标优化（MOO）问题，项目管理的效果取决于在成本最小化与技术完整性之间的帕累托最优边界上的导航能力[11]。这与传统的混合料优化不同，因为决策者需要在相同的性能、成本和碳排放标准下比较不同的混凝土混合物[12]，[13]，[14]。除了材料本身的不可预测性外，市场价格的波动和更严格的环境法规进一步复杂化了基础设施成本管理。这种动态的监管经济环境要求对关键影响变量进行稳健的识别，以确保项目的可行性，因为传统的静态采购模型缺乏应对市场快速变化的能力[15]。

当需要同时考虑多个目标时，传统的试错方法和静态的经验性混合料设计越来越显得有限。它们适用于初步配比，但难以根据材料价格、碳因素或项目特定的强度要求调整混合比例[16]，[17]，[18]。因此，数据驱动的DSS在建筑管理中越来越受到重视，用于处理多个决策变量并支持多种替代方案的透明选择[19]，[20]。关于AI在建筑领域应用的最新研究表明，本地数据结构和供应链条件会影响模型的通用性[21]。建筑资产管理中的相关预测工作还展示了AI模型如何支持涉及多个交互变量的决策[22]。这些发展为将数据驱动模型应用于可持续混凝土采购提供了方法论基础。在这个背景下，DSS的作用不仅限于预测抗压强度（CS），它还能将预测的材料性能转化为满足技术要求的排序采购选项，同时实现成本和碳排放的最小化[12]，[13]，[14]。

在这种计算框架中，集成学习架构，特别是梯度提升框架，已被用于预测水泥基复合材料的非线性性能[23]，[24]。对于传统的或特定的可持续混凝土系统，也有经验公式、基因表达编程公式和人工神经网络/ metaheuristic解决方案可供使用[25]，[26]。这些方法在用于校准的材料范围内可以提供一定的准确性，但当回收骨料、发泡剂或橡胶颗粒的密度、吸水性、颗粒形态和界面过渡区特性发生变化时，其通用性会降低。因此，它们的准确度应被视为在校准范围内的准确性，而不是表明某个公式可以直接应用于不同类型的混凝土而无需重新验证。最近的研究通过逆向设计扩展了这一方向，包括根据强度、成本、能源和碳目标优化回收砖骨料混凝土；基于性能的设计纤维增强聚合物（FRP）封堵的回收骨料混凝土；可解释的钢纤维增强回收骨料混凝土的预测；贝叶斯模型更新和进化优化用于钢纤维增强混凝土的混合设计；概率分析钢筋在回收骨料混凝土中的粘结和锚固效果；以及钢筋增强混凝土的抗弯强度预测和混合比例优化[27]，[28]，[29]，[30]，[31]，[32]，[33]。这些研究表明，机器学习可以支持水泥基和结构混凝土系统的预测、解释、逆向设计和性能评估。然而，这些研究仍然围绕特定的材料系统、结构响应或性能评估任务展开。因此，主要问题不在于缺乏预测模型，而在于缺乏一个以采购为导向的DSS，该DSS能够将预测、解释和受限的成本-碳优化结合起来，适用于不同类型的混凝土。

考虑到当前的差距，本研究首先使用RIME来调整XGB、CGB和LGB替代模型，然后在进行基于DSS的成本-碳优化时搜索可行的混合变量空间。因此，该研究的贡献在于将RIME优化的替代模型预测、基于SHAP的解释方法和基于帕累托的采购优化相结合，而不仅仅是将超参数调整作为一个独立的目标。其目的不是用封闭形式的设计方程替换经验公式，而是构建可以嵌入受限MOO过程中的预测替代函数。该框架根据成本和碳排放对可行的混合料选项进行排名，同时确保达到规定的抗压强度阈值。与仅报告预测准确性的研究不同，所提出的框架将训练好的模型作为决策函数用于受限优化过程中，因此最终输出是一组可行的采购选项，而不仅仅是一个预测的强度值。

因此，该研究的贡献有三个方面。首先，它将1330条关于回收砖瓦、发泡塑料和橡胶改性混凝土的记录整合到一个统一的DSS工作流程中。其次，它结合了RIME优化的集成预测和基于SHAP的解释方法，以确定指导采购筛选的主要变量和参数-响应趋势。第三，它通过基于帕累托的成本-碳优化将材料级别的预测与项目级别的采购决策联系起来。这种定位使该研究不同于主要关注单一材料预测、单一响应优化或无项目规模采购筛选的经验公式和最近的正则机器学习研究。

章节摘录

数据库构建、数据来源结构和描述性分析

本研究使用的数据库来自Ly等人[26]，[34]，[35]编制的三个机器学习数据集，涵盖了回收砖瓦混凝土、发泡混凝土和橡胶改性混凝土。这些研究被选为数据集来源，因为它们整理和组织了用于机器学习建模的数值记录。这些数据最初来自关于相应混凝土家族的多个实验研究。表1报告了数据集的来源和

方法论

DSS的预测组件使用了三种基于树的梯度提升模型：经典梯度提升（CGB）、轻量梯度提升机（LGB）和极端梯度提升（XGB）。选择这些模型是因为它们能够在不假设固定分析形式的情况下表示混合比例、龄期、密度、橡胶形态、回收骨料含量和抗压强度（CS）之间的非线性关系。在当前框架中，这些模型不被视为独立的预测工具

超参数研究

集成模型的泛化性能取决于在其搜索空间内优化超参数[99]。在本研究中，RIME元启发式方法与这些提升框架相结合，以应对三种混凝土材料的非线性目标特征。如表5所详述，关键参数（如n_estimators（nE）、学习率（LR）和最大深度（MD）的搜索范围被设定得相当宽泛，以确保全面性

结论与展望

本研究开发了一个数据驱动的DSS，该DSS集成了RIME优化的集成学习、基于SHAP的解释方法和基于帕累托的成本-碳优化，用于可持续混凝土的采购。通过将相同的工作流程应用于回收砖瓦、发泡塑料和橡胶改性混凝土，该研究展示了如何在统一的抗压强度（CS）、成本和碳排放决策框架下比较不同的可持续混凝土类型。

选定的XGB和CGB替代模型的测试R2值均超过了0.93

CRediT作者贡献声明

Thuy-Hien Thi Nguyen：撰写初稿、可视化、验证、软件开发、方法论设计、数据分析、正式分析。Huong-Giang Thi Hoang：撰写初稿、可视化、验证、软件开发、方法论设计、数据分析、正式分析、数据整理。Thuy-Anh Nguyen：撰写初稿、可视化、验证、软件开发、方法论设计、数据分析、正式分析、数据整理。Hai-Bang Ly：撰写、编辑、验证、监督、软件开发

资金来源

本研究未获得任何公共部门、商业部门或非营利组织的特定资助。

利益冲突声明

作者声明不存在利益冲突。