基于机器学习算法的廉价人工地质聚合物骨料的生产与优化，包含碎橡胶、塑料废料和颗粒瓶塞

本研究调查了将碎橡胶（CR）、塑料废料（PW）和颗粒瓶塞（GC）作为细骨料的部分替代物对人工地质聚合物骨料（AGAs）密度、抗压强度（CS）和水吸收率的影响。评估了 AGAs 的性能，并使用响应面方法（RSM）和包括线性回归（LR）、支持向量回归（SVR）和高斯过程回归（GPR）在内的机器学习模型确定废料材料的最佳利用。此外，还分析了在不同养护温度（60 °C、90 °C和500 °C）下优化样品的微观结构。结果表明，与对照混合物相比，这些废料材料的添加导致 AGAs 的密度和 CS 均降低。在机器学习模型中，GPR 模型表现优越，密度预测和 CS 预测的 R² 值分别为 0.989 和 0.937。GPR 模型在预测密度和 CS 时始终优于 LR、SVR 和 RSM 模型，显示出更高的准确性。微观结构分析显示，在不同温度下养护的 AGAs 存在显著差异，与 500 °C 相比，在 60 °C 和 90 °C 下观察到更密集的微观结构。暴露于高温下导致微裂缝的形成和 N-A-S-H 凝胶含量的降低，导致干密度值降低。优化的废料材料混合物，包含 146 kg/m³ 的 CR、46.80 kg/m³ 的 PW 和 5.25 kg/m³ 的 GC，导致 AGAs 在 60 °C、90 °C 和 500 °C 的养护温度下的最小密度分别为 1268.17 kg/m³、1194.40 kg/m³ 和 732.80 kg/m³。此外，这些 AGAs 在 60 °C 养护后表现出 4.95 MPa 的 CS 和 10.37% 的水吸收率。