夜雨聆风
混凝土是全球用量最大的建筑材料，但水泥生产碳排放高，环境压力持续增大。传统配合比设计强调抗压强度和最小化水泥用量，难以兼顾环境性、材料性、资源效率和耐久性的多重标准。现有方法基于线性假设，无法有效处理混凝土配合比中水泥、粉煤灰、硅灰、水和骨料等多组分之间的非线性相互作用，更无法表征抗压强度提升与碳排放降低之间的相互冲突目标之间的最优权衡。数据驱动技术为解决这一多目标优化问题提供了新途径，但单一机器学习方法在动态自适应学习和实时反馈方面仍存在明显不足，亟需融合预测、优化与强化学习的集成方法。
本研究提出集成随机森林回归器（RF）、多目标遗传算法（MOGA）和深度Q学习（DQN）三个核心模块。RF结合特征工程用于预测抗压强度和CO₂排放，其通过集成多棵决策树处理非线性输入输出关系，能够有效捕捉水泥含量和水胶比等关键因素与强度之间的复杂非线性映射。MOGA用于在强度、成本与环境的多约束条件下寻找Pareto最优解，通过遗传算法迭代搜索找到非支配解前沿，为工程师提供多组可选择的优化配合比方案。DQN和近端策略优化（PPO）提供动态学习与实时反馈自适应调控能力，使模型能够根据实际工程反馈持续调整策略。SHAP用于解释各输入特征对模型输出的贡献，揭示水泥含量、水胶比等因素的重要性排序。三个模块协同运作：RF提供准确的预测基础，MOGA在该基础上进行全局优化搜索，DQN和PPO根据实时反馈动态调整策略，实现配合比参数的持续自适应优化。
实验使用UCI混凝土抗压强度数据集（1030样本、8个输入特征），包括：水泥含量、高炉矿渣、粉煤灰、水、高效减水剂、粗骨料、细骨料和养护龄期。参数范围涵盖：水泥200-450 kg/m³、粉煤灰20-80 kg/m³、硅灰0-30 kg/m³、水胶比0.35-0.50、养护时间3-28天，较为全面地覆盖了工程实际中常见混凝土配合比的变化范围。同时建立涵盖原材料加工、运输与处置阶段的全生命周期CO₂排放和能耗数据集，涵盖了从原材料开采到建筑拆除全生命周期的碳排放核算，确保环境评估的完整性与可信度。
RF回归器在测试集上表现出较高的抗压强度预测精度，其特征重要性分析表明决策树集合能够有效捕捉水泥含量和水胶比与强度之间的非线性关系。MOGA通过遗传算法迭代找到多组Pareto最优配合比解集，在强度-成本-碳排放三维目标空间中得到非支配解前沿，为工程师提供了多组可选择的优化方案。DQN和PPO在动态环境适应中优于传统方法，PPO结合生命周期评价（LCA）输入可进一步优化配合比参数，在不损失抗压强度的前提下实现碳排放降低。研究还表明，粉煤灰与硅灰的协同作用是实现低碳减排的关键调控手段。结果表明，MOGA优化的配合比方案实现CO₂减排约30%、成本降低10-15%，而PPO强化学习方法进一步将碳排放降低幅度提升至35%，验证了动态学习策略在配合比优化中的显著优势。SHAP特征重要性分析揭示：水泥含量和水胶比是影响抗压强度的最重要因素，粉煤灰和硅灰掺量对碳排放的调节作用显著，骨料含量则在成本控制中发挥关键作用，为工程师提供了可解释的配合比调控科学依据。
本研究提出融合随机森林、多目标遗传算法与深度强化学习的混凝土配合比多目标优化集成方法，实现了抗压强度提升10-15%、CO₂减排30-35%、成本降低10-15%的综合优化效果。RF提供可靠的预测精度，MOGA实现多目标Pareto最优前沿搜索，DQN与PPO实现动态自适应学习，SHAP揭示水泥含量、水胶比等关键影响因素，为低碳高强度混凝土配合比智能设计提供了新的AI驱动方法与可解释性分析框架，具有广阔工程应用前景。
