本研究针对农业废弃物（Agricultural Wastes, AWs）作为辅助胶凝材料替代部分水泥制备混凝土的抗压强度（Compressive Strength, CS）预测难题，提出了一种融合遗传算法（Genetic Algorithm, GA）优化的神经网络回归模型（Neural Network Regression Model, NNRM）与代理优化（Surrogate Optimization, SO）的集成学习回归（Ensemble Learning for Regression, ELR）方法。研究人员首先构建了包含稻壳灰（Rice Husk Ash, RHA）、甘蔗渣灰（Bagasse Ash, BA）和槟榔壳灰（Areca-nut Husk Ash, AHA）的三组分数据集，以及包含玉米芯灰（Corn Cob Ash, CCA）、锯末灰（Saw Dust Ash, SDA）、草灰（Grass Ash, GA）和巨苇灰（Giant Reed Ash, GRA）的四组分数据集。通过GA优化NNRM的隐藏层尺寸向量x，结合两折交叉验证最小化训练损失；同时采用SO优化ELR的决策树集成参数s，以平衡模型精度与过拟合风险。测试结果表明，ELR模型的确定系数（Coefficient of Determination, R2）达0.9979，平均绝对误差（Mean Absolute Error, MAE）为0.1490 MPa，显著优于NNRM（R2=0.9187，MAE=0.8571 MPa）。此外，通过袋外排列重要性分析（Out-of-Bag Permuted Predictor Importance）明确了各废弃物组分对CS的影响权重，为混凝土配合比优化提供了量化依据。
论文解读
研究背景与意义
传统混凝土生产依赖大量硅酸盐水泥，其制备过程伴随高能耗与碳排放。农业废弃物（AWs）因富含硅铝成分，可作为辅助胶凝材料替代部分水泥，兼具环保与经济价值。然而，AWs掺量、种类与混凝土抗压强度（CS）间存在复杂的非线性关系，传统经验公式难以精准预测。现有机器学习模型在材料性能预测中虽具潜力，但面临超参数优化困难、泛化能力不足等问题。因此，开发高精度、强泛化能力的CS预测模型，对推动AWs在绿色混凝土中的应用具有重要工程意义。
关键技术方法
研究采用两组实验数据集：第一组含64组样本，涵盖RHA、BA、AHA三组分掺量与CS；第二组含48组样本，涵盖CCA、SDA、GA、GRA四组分掺量与CS。模型构建方面，NNRM采用MATLAB的fitrnet函数实现，通过GA优化隐藏层尺寸向量x（整数约束10≤xi≤30），以两折交叉验证的训练损失均值作为目标函数；ELR采用fitrensemble函数构建决策树集成模型，通过代理优化（SO）求解最优参数向量s（含学习周期数、树深等），并以线性约束限制总复杂度以防过拟合。模型评估采用R2、MAE、平均绝对百分比误差（Mean Absolute Percentage Error, MAPE）及均方误差（Mean Squared Error, MSE）指标，并通过袋外排列重要性分析实现组分影响排序。
研究结果
3.4节 数据集划分：将64组三组分数据按奇偶行划分为训练集（Xtrain, Ytrain）与验证集（Xval, Yval），确保输入矩阵A（64×3）与响应向量CS（64×1）的独立同分布特性。
3.5节 NNRM训练与验证：采用LBFGS拟牛顿法优化NNRM权重，标准化输入特征加速收敛。训练损失随迭代次数增加单调下降，最优隐藏层配置为x=[24,14,11,24]（L=4），最小训练损失MSE=0.0034。
3.6-3.8节 GA优化NNRM：GA以最小化两折交叉验证平均损失为目标，通过全局搜索确定最优x。结果显示，L=4时模型性能最优，验证了超参数优化对NNRM泛化能力的提升作用。
4.3节 ELR模型构建：通过垂直拼接与翻转扩充数据集至384组，采用LSBoost算法集成决策树。SO优化得到最优参数s=[9,11,10,1]，对应最小训练损失MSE=9.0778×10-8。
4.7节 ELR测试性能：在49组独立测试集上，ELR的MAPE=0.3754%，R2=0.9979，预测值与真实值吻合度显著高于NNRM。
5.4节 组分影响排序：三组分体系中，RHA对CS影响最大（重要性值1.2834），其次为AHA（1.1430），BA最低（0.7345）；四组分体系中，GRA影响最显著（1.3854），CCA最低（0.9617）。
讨论与结论
研究证实，ELR通过集成多决策树的预测结果，有效降低了单一模型的偏差与方差，其R2接近1，表明可精准捕捉AWs掺量与CS的复杂映射关系。相比之下，NNRM虽能拟合非线性关系，但对小样本数据易出现过拟合，泛化能力受限。敏感性分析结果揭示了不同AWs组分的活性差异，为工程中选择高性价比掺合料提供了量化依据。
结论指出，所提GA-NNRM与SO-ELR框架可实现混凝土CS的高精度预测，其中ELR模型因优异的性能与稳定性，更适用于实际工程场景。该研究不仅推动了机器学习在建筑材料领域的应用，也为农业废弃物的资源化利用提供了技术支撑。研究局限性在于数据集规模较小，未来需扩展至多组分、多龄期工况以进一步提升模型普适性。
（期刊：《Applications in Engineering Science》）
