Explainable machine learning with a graphical user interface for estimating compressive strength and life cycle assessment based embodied carbon of rice husk ash concrete
Stephen Adeyemi Alabi · Ibrahim A. Tijani · Alireza Moghayedi 等 5 人
用可解释机器学习加图形界面预测稻壳灰混凝土抗压强度并评估隐含碳。
八种机器学习模型经Optuna优化，SHAP解释，结合生命周期评价与交互界面。
最优模型可实时无代码预测强度并算隐含碳，支撑性能导向配合比设计。
可将稻壳灰混凝土的强度-碳权衡模型扩展到其他农业废弃物建材并接入乡村低碳建造决策。
将稻壳灰混凝土的抗压强度预测与隐含碳评估整合为可解释机器学习框架，并配有图形界面，方法新颖、数据扎实，对农业废弃物高值化利用有参考价值，但属专业论文，公共影响范围有限。
在满足日益增长的混凝土需求的同时降低其环境影响，仍是建筑行业面临的关键挑战。尽管稻壳灰（rice husk ash, RHA）作为辅助胶凝材料在降低水泥相关排放方面具有巨大潜力，但其广泛应用受到力学性能与隐含碳减排之间性能-环境效率权衡不确定性的制约。本文提出了一种可解释机器学习（machine learning, ML）框架，用于评估稻壳灰基混凝土在不同养护阶段下的抗压强度，并辅以基于生命周期评价（life cycle assessment, LCA）的隐含碳评估。采用从现有研究中汇编的精细化数据库训练并优化了八种不同的机器学习模型。模型通过Optuna进行优化，并采用多项性能指标进行评估，同时采用SHapley加性解释（SHapley Additive exPlanation, SHAP）量化全局与局部特征贡献。为支持实际应用，将性能最优的模型集成于交互式决策支持界面中，实现实时、免编程的抗压强度预测及基于生命周期评价的隐含碳计算，从而支持基于性能的配合比设计，并加速农业废弃物衍生胶凝材料的可持续利用。