使用机器学习对固体废物进行碱激活材料的元素设计

理解使用粉煤灰（FA）和颗粒化高炉渣（GBFS）的碱激活材料（AAMs）的强度发展机制对于设计高性能AAMs至关重要。本研究利用机器学习研究了AAMs的强度发展机制。共收集了616个基于FA-GBFS的AAM混合物的单轴抗压强度（UCS）数据点，来自已发表文献，以训练四个树基机器学习模型。在这些模型中，梯度提升回归（GBR）展示了最高的预测准确性，测试数据集的相关系数（R值）为0.970，均方根误差（RMSE）为4.110 MPa。SHapley加性解释（SHAP）分析显示水分含量是强度发展的最重要变量，其次是养护周期。研究建议钙硅比约为1.3，钠铝比略低于1，硅铝比略高于3，以优化AAM的性能。通过实验室实验对基于FA-GBFS的AAM混合物验证了所提出的设计模型，确认了模型的可靠性。本研究为AAMs的强度发展机制提供了新颖见解，并为元素设计提供了实用指导，有可能促进更可持续的建筑材料。