**中文标题** 协同表面处理技术用于可持续再生骨料混凝土：抗压强度的实验性能与机器学习预测及交互式在线界面

《Sustainability》：Synergistic Surface Treatments for Sustainable Recycled Aggregate Concrete: Experimental Performance and Machine Learning Prediction of Compressive Strength with an Interactive Online Interface Marwah Al tekreeti and Ali Bahadori-Jahromi

　　

**摘要翻译**
建筑拆除废弃物的管理是可持续发展面临的一个重大挑战，其中再生骨料(Recycled Aggregate, RA)混凝土的应用是关键策略之一。然而，再生骨料因附着旧砂浆、高孔隙率和微裂纹等固有缺陷，导致其混凝土性能，特别是抗压强度(Compressive Strength)，通常低于天然骨料混凝土。为解决此问题，研究人员提出了一种协同表面处理技术，旨在通过物理与化学方法的组合优化再生骨料的性能。本研究设计并实施了多种协同处理方案，通过系统的实验研究评估了其对再生骨料混凝土抗压强度、工作性能和耐久性的影响。实验结果表明，特定的协同处理策略能显著提升混凝土的力学性能。为了建立高效、准确的强度预测工具，研究人员进一步利用实验数据训练了多种机器学习模型。其中，梯度提升回归(Gradient Boosting Regression, GBR)和随机森林(Random Forest, RF)模型表现出优异的预测精度，能够有效捕捉材料组分、处理工艺与最终强度之间的复杂非线性关系。研究最终整合了这些经过验证的机器学习模型，开发了一个交互式在线预测界面。该界面允许用户输入关键参数，实时获得混凝土抗压强度的预测值，为再生骨料混凝土的配合比设计与性能优化提供了便捷的数据驱动工具。该研究不仅验证了协同表面处理对提升再生骨料混凝土性能的有效性，也展示了人工智能技术在推动建筑材料可持续应用方面的巨大潜力。

**论文主体内容解读**

**研究背景与问题**
随着全球城市化进程加速与基础设施更新，建筑拆除废弃物(Construction and Demolition Waste, C&DW)的产生量急剧增加，对其进行资源化利用已成为实现建筑行业可持续发展的必然选择。将废弃混凝土破碎、筛分后形成的再生骨料(Recycled Aggregate, RA)用于制备再生骨料混凝土(Recycled Aggregate Concrete, RAC)，是消纳此类固废、减少天然骨料开采的最有效途径之一。然而，再生骨料因在破碎过程中附着大量旧水泥砂浆、自身存在微裂纹及高孔隙率等天然缺陷，导致其物理力学性能显著劣于天然骨料。直接使用未经处理的再生骨料制备的混凝土，普遍存在抗压强度(Compressive Strength)偏低、工作性能差、耐久性不足等问题，这严重制约了其在结构工程中的大规模、高附加值应用。因此，如何经济有效地提升再生骨料及其混凝土的性能，是当前研究领域亟待解决的关键科学与技术难题。

研究人员为解决上述问题，开展了一项结合先进材料改性与数据科学的系统性研究。研究聚焦于开发一种经济高效的“协同表面处理”技术，旨在通过多种方法的复合与优化，从根本上改善再生骨料的界面过渡区(Interface Transition Zone, ITZ)和骨料自身品质，从而全面提升再生骨料混凝土的性能。同时，鉴于影响混凝土性能的因素众多且关系复杂，研究人员引入了机器学习(Machine Learning, ML)方法，旨在构建能够精准预测其抗压强度的智能模型，从而为再生骨料混凝土的优化设计提供快速、可靠的辅助决策工具。这项研究对于推动建筑固废的高值化利用、促进循环经济发展具有重要意义，其成果发表在《Sustainability》期刊上。

**研究方法概述**
本研究采用了“实验验证-模型构建-工具开发”的复合研究路线。首先，研究人员通过实验室试验，系统研究了多种协同表面处理方案对再生骨料物理性质及再生骨料混凝土力学性能的影响，获取了用于模型训练的高质量数据集。主要的技术方法包括：1）协同表面处理技术，通过组合不同方法对再生骨料进行强化改性；2）混凝土制备与标准力学性能测试；3）基于实验数据的机器学习建模，主要应用了包括梯度提升回归(Gradient Boosting Regression, GBR)、随机森林(Random Forest, RF)、支持向量回归(Support Vector Regression, SVR)等多种监督学习算法，对模型进行训练、验证和性能评估；4）交互式预测界面的开发。实验所用骨料样本来源于典型的建筑拆除混凝土废弃物。

**研究结果**
**协同表面处理对再生骨料及混凝土性能的影响**
通过系统的实验研究，研究人员发现协同表面处理技术能有效改善再生骨料的性能。处理后的再生骨料，其吸水率、压碎值等关键物理指标得到明显优化。更重要的是，将这些处理后的骨料用于制备混凝土，其新拌混凝土的工作性能（如坍落度）和硬化后混凝土的力学性能（尤其是28天抗压强度）相较于未处理组有显著提升。研究结果证实了通过物理-化学协同作用强化再生骨料界面过渡区和填充内部孔隙的可行性，为提升再生骨料混凝土的性能提供了切实可行的材料制备途径。

**机器学习模型构建与性能评估**
研究人员将实验数据用于训练和评估多种机器学习回归模型。模型输入特征包括水胶比、骨料类型、骨料处理方式、掺合料种类与用量等关键配合比参数。通过系统比较不同模型的预测性能，结果表明，集成学习模型，特别是梯度提升回归(Gradient Boosting Regression, GBR)和随机森林(Random Forest, RF)，在预测再生骨料混凝土抗压强度方面表现最为出色。这些模型取得了极高的决定系数(R²)和较低的均方根误差(Root Mean Square Error, RMSE)，显示出强大的预测能力和良好的泛化性能。研究揭示了机器学习算法能够有效捕捉材料组分与工艺参数之间复杂的非线性关系，其预测精度显著优于传统的经验公式。

**交互式在线预测界面开发与应用**
在验证了机器学习模型的有效性后，研究人员将最优模型集成，开发了一个交互式的在线预测界面。该界面采用直观的图形用户接口(Graphical User Interface, GUI)，允许工程师、设计师或研究人员输入拟采用的混凝土配合比参数（如水泥用量、水灰比、再生骨料替代率、外加剂信息等）。系统在后台即时运行训练好的机器学习模型，并将预测的抗压强度值反馈给用户。该工具将复杂的建模与计算过程封装，提供了一个便捷、直观的决策支持平台，极大地简化了再生骨料混凝土的配合比设计与性能评估流程，有助于加速其工程应用。

**讨论与结论总结**
本研究通过实验与计算的双重路径，系统解决了再生骨料混凝土性能提升与精准预测两大挑战。研究结论指出：第一，所提出的协同表面处理技术是改善再生骨料品质、制备高性能再生骨料混凝土的有效手段；第二，机器学习方法，尤其是基于树的集成模型，能够高精度地预测再生骨料混凝土的抗压强度，为这种非均质复合材料的性能预测提供了强大的新工具；第三，开发的在线预测界面将研究成果转化为可直接应用的实用工具，促进了科研成果向工程实践的转化。

研究人员在结论部分总结道，本工作成功地将材料改性实验、人工智能预测模型开发和交互式软件工具构建相结合，为建筑固废的资源化利用提供了从材料制备到性能设计的完整解决方案。该研究不仅提升了再生骨料混凝土的性能认知与设计效率，也为其他类似复杂建材体系的性能预测与优化提供了方法论参考，对推动建筑行业向绿色、可持续方向发展具有重要价值。