用于煤矸石骨料混凝土的机械性能可持续优化及碳减排策略

《Journal of Building Engineering》:Sustainable optimization of mechanical properties and carbon reduction strategies for coal gangue aggregate concrete

【字体: 大 中 小 】 时间:2026年10月22日 来源:Journal of Building Engineering 8.1

编辑推荐:

   • SMOTE 可以有效地扩展包含高维特征的 CGAC 数据库。 • 所提出的数据驱动方法可以有效地跟踪机械性能的演变。 • 开发的设计框架有助于实现 CGAC 的碳减排。 引言 能源是人类生存和社会发展的核心支撑。然而,煤的过度开采导致煤

  
  • •
    SMOTE 可以有效地扩展包含高维特征的 CGAC 数据库。
  • •
    所提出的数据驱动方法可以有效地跟踪机械性能的演变。
  • •
    开发的设计框架有助于实现 CGAC 的碳减排。

引言

能源是人类生存和社会发展的核心支撑。然而,煤的过度开采导致煤矸石(CG)逐年积累[1],[2]。它已成为全球最丰富和分布最广的工业固体废物之一。如果煤矸石不能得到有效再利用,将会对生态环境、社会经济和公共安全造成无可估量的损失[3],[4]。
为了促进 CG 的高效利用,近年来学者们对其在建筑材料中的替代应用进行了广泛研究,特别是在用 CG 替代天然骨料制备混凝土方面取得了显著进展。Zhang 等人[5]研究了煤矸石骨料粒径分布对混凝土机械性能的影响规律。Liu 等人[6]基于不同骨料替代率下的实验数据构建了 CGAC 弹性模量的预测模型。Zhu 等人[7]将 CG 作为混凝土中的粗骨料来解决固体废物处理问题,并分析了其对混凝土性能的影响机制。然而,煤矸石骨料较差的物理特性可能导致混凝土基体结构减弱[8],[9],[10]。通过调整水灰比、粗细骨料含量并引入外加剂,可以提高 CGAC 的耐久性[11]。尽管如此,这些变量之间的关系复杂,相互作用,并表现出高度非线性的耦合变化。同时,使用粉煤灰和矿渣替代部分水泥还可以降低水化热,并实现多种固体废物的资源化利用[12],[13],但不合理的掺入方式会导致混凝土性能显著下降。因此,优化配合比设计是在确保 CGAC 机械性能的同时消耗固体废物的关键。
传统的试错方法主要通过反复实验来调整配合比,这一过程耗时且劳动强度高,在工程实践中难以平衡准确性和效率。目前,数据驱动的设计方法具有出色的非线性解耦和复杂系统评估能力[14],[15],[16],为混凝土配合比的优化提供了新的研究方向。一些学者在数据驱动框架内建立了混凝土配合比参数与机械性能之间的非线性映射关系。Golafshani 等人[17]和 Shobeiri 等人[18]使用数据驱动模型预测了再生骨料混凝土的耐久性。Uddin 等人[19]和 Wei 等人[20]基于数据驱动方法构建了混凝土抗剪强度和抗压强度的预测模型。然而,与来自废旧混凝土的再生骨料相比,煤矸石骨料的资源利用率仍然较低,导致同时包含胶凝材料、骨料含量和骨料性能指标的高维特征数据较少,这不利于模型的构建。尽管如此,目前关于煤矸石骨料混凝土样本量不足和数据不平衡问题的研究仍然有限。
随着基础设施建设的快速发展,作为最广泛使用的建筑材料,混凝土在其制备和运输过程中会产生大量二氧化碳[21],[22]。开发和推广符合工程应用要求的低碳混凝土材料对于解决建筑行业引起的空气污染问题具有重要意义[23],[24],[25]。然而,现有研究主要集中在优化 CGAC 的宏观和微观性能指标上。例如,Qiu 等人[26]提出了粉煤灰在煤矸石混凝土中的改性机制。Dong 等人[27]根据不同煤矸石含量的单轴压缩试验数据动态调整了应力-应变特征参数。Li 等人[28]使用纳米压痕等微观测试方法揭示了煤矸石结构特性与混凝土宏观机械性能之间的关系。对于环保型混凝土,其设计目标不仅应满足传统的强度指标,还应考虑环境影响和经济效益。因此,为了设计更经济、更环保的煤矸石骨料混凝土,迫切需要建立一个平衡碳排放、成本和机械性能的混合优化框架。
鉴于以往研究中在性能预测和碳减排设计方面的局限性,尤其是样本量小的问题,本研究首先采用了三种增强算法,即变分自编码器(VAE)、合成少数样本过采样技术(SMOTE)和高斯混合模型(GMM),来解决 CGAC 小样本数据分布不平衡的问题。对部分原始数据进行了扩展处理,并基于统计差异分析、核密度估计和相关矩阵选择了最佳样本进行数据驱动建模。通过超参数优化算法改进了预测模型,以实现抗压强度演变的高精度跟踪。此外,还结合了单一特征分析,以揭示配合比参数对混凝土性能的具体影响机制。随后,采用多属性决策方法对 CGAC 的碳排放、经济成本和抗压强度进行了协同优化。具体的研究过程如图 1 所示。

章节片段

数据库的建立与分析

为了训练由超参数算法优化的预测模型,本研究从 SCI 中检索的 17 篇关于煤矸石骨料混凝土的论文中收集了 130 组实验数据。这些数据主要包括配合比设计的材料用量、物理性能指标以及相应的混凝土抗压强度值,从而建立了包含多个输入参数的数据库。使用的 15 个特征变量包括:水胶比等。

数据增强

为了解决样本量不足的问题,本研究采用了三种不同的数据增强方法来增加样本量并平衡数据集。这些增强算法包括 VAE、SMOTE 和 GMM。

基线模型

考虑到特征空间的高维性和数据集中复杂的非线性关系,支持向量回归(SVR)和反向传播神经网络(BPNN)是目前处理此类问题的经典且有效的方法。

基于多目标优化的智能设计

现代混凝土配合比设计目标不仅应满足传统的强度指标,还应考虑可持续性和经济性等环境效益。为了实现 CGAC 设计中关键目标之间的协调和平衡,本研究基于 DBO-SVR 模型,通过构建多属性决策方法对抗压强度(CS)、碳排放(CE)和经济成本(EC)进行了多目标优化。

未来工作

尽管所提出的数据驱动框架在预测 CGAC 抗压强度方面取得了令人满意的准确性,并支持碳排放和成本的协同优化,但机器学习本质上是基于数据的方法。为了获得依赖于内部结构的机械机制,未来的工作应重点开发先进的实验表征方法。例如,基于数字图像相关性和 X 射线 CT 的多尺度框架等。

结论

本研究利用数据增强算法增强的高质量样本来开发了 CGAC 抗压强度的预测模型。通过将 NSGA-III 与熵加权 TOPSIS 方法相结合的智能设计框架,实现了煤矸石骨料混凝土机械性能、环境效益和成本输入的协同优化。得出以下结论:
  • (1)
    核密度分布和

CRediT 作者贡献声明

段鹏飞:撰写 – 审稿与编辑,验证。梁波:撰写 – 审稿与编辑,验证。江 Lu:撰写 – 审稿与编辑。刘远振:撰写 – 审稿与编辑,验证,方法论,概念化。任龙:撰写 – 审稿与编辑。张宇:撰写 – 原稿撰写,调查,数据整理。

利益冲突声明

作者声明他们没有已知的可能会影响本文所述工作的竞争财务利益或个人关系。

数据可用性

数据可应要求提供。

利益冲突声明

? 作者声明他们没有已知的可能会影响本文所述工作的竞争财务利益或个人关系。

致谢

本工作得到了 国家自然科学基金(项目编号:52278267)的支持,以及由中国中央政府指导的 科学技术发展基金(项目编号:YDZJSX20231A024)和 自然科学及 工程领域的三晋人才计划创新团队的支持(项目编号:SJYC2024509)。
Yu Zhang | Liu Yuanzhen | Ren Long | Duan Pengfei | Liang Bo | Jiang Lu
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号