基于机器学习的细骨料填充及形状特性优化研究：旨在减少混凝土混合物中的水泥用量 Jorge Fernando Sosa Gallardo Vivian Felix López Batista María N. Moreno-García María Dolores Mu?oz Vicente Aldo Fernánd Sosa Gallardo

《Information》：Machine Learning-Based Optimization of Fine Aggregate Packing and Shape Characteristics for Cement Reduction in Concrete Mixtures Jorge Fernando Sosa Gallardo, Vivian Felix López Batista, María N. Moreno-García, María Dolores Mu?oz Vicente and Aldo Fernand Sosa Gallardo

　　

摘要

减少砂浆系统中水泥的消耗对于降低基于水泥材料的环境影响至关重要。传统的混合设计方法主要依赖于颗粒大小分布和细度模数，但这些方法未能充分考虑骨料堆积、形态和岩石学组成对浆体需求和机械性能的影响。对14种来自不同地质来源的细骨料进行了物理和岩石学特性的实验研究。利用211种砂浆混合物的数据集（共获得633次抗拉强度观测结果），训练了一个随机森林回归（RFR）模型用于强度预测。该模型的结果表明： R 平方 等于 0 点 点 用逗号分隔的长度为2的列表' data-semantic-braille="????????????????"> R 平方 等于 0' data-semantic-summary ' 等于' data-semantic-braille="??????????"> R 平方' data-semantic-summary ' 幂' data-semantic-braille="????"> R ' data-semantic-prefix ' 标识符' data-semantic-braille="??">?? 指数' data-semantic-summary '2=”0。”762 （RMSE = 0.223 kN；MAE = 0.165 kN），证明其作为筛选工具的可靠性。本研究提出了一个混合框架，将颗粒堆积理论与机器学习相结合，以优化细骨料的配合比。通过引入浆体需求指数（PDI）——该指数结合了标准化的未压实孔隙含量、表面纹理和形状——该框架能够识别在保持强度约束的同时最小化浆体需求的混合物。结果确认，所提出的PDI和基于强度的过滤方法是稳健的，为缩小设计范围提供了一种基于物理原理的决策支持方法。最终，这种方法为资源优化提供了一种有效的策略，有效地弥合了由基于水泥的瓷砖制造行业推动的水泥减排计划中的计算筛选和实验室验证之间的差距。