近期发表于《科学报告》的一项研究，针对包含不同比例硅灰、机制砂（M-sand）和粉煤灰的可持续混凝土配方进行了系统评估。该研究不仅确定了能够优化微观结构与力学性能的配方，还通过热重分析（TGA）、扫描电镜（SEM）、能谱分析（EDS）及机器学习模型，实现了对混凝土性能的精准预测。
随着城市化进程加速，预计到2030年水泥生产的环境影响将显著增加。作为温室气体排放的主要来源，波特兰水泥正面临转型压力。天然河砂资源的枯竭以及骨料开采的环境成本，迫使建筑行业重新审视传统材料。在此背景下，越来越多的研究人员和从业者开始采用机制砂、硅灰和粉煤灰等替代材料，以降低碳足迹并节约资源。
提升可持续性的引入了新的复杂性。以往硅灰与再生骨料等组合的性能波动较大，不同配比可能导致抗压强度提升但抗剪性能下降。这种变异性使得预测混凝土强度变得异常困难，而传统模型往往难以捕捉这些复杂的相互作用。机器学习虽能识别模式，但若缺乏足够的数据和微观结构洞察，其效果也会受限。
为突破这一瓶颈，研究团队设计了一套实验方案，直接将材料成分、微观结构与预测模型联系起来。他们制备了一系列三元混凝土混合料，固定使用10%的粉煤灰和的机制砂，并将硅灰含量在0%至24%之间进行变化。这种结构化方法有助于隔离各组分对水化和强度发展的具体影响。研究不仅评估了7天、28天和90天养护期的抗压、抗拉、抗折强度及超声波脉冲速度，还利用TGA和SEM-EDS深入分析了28天时的水化产物与内部结构。
研究结果清晰地展示了从材料设计到性能产出的演变过程。在所有混合料中，部分替代水泥的硅灰与机制砂的使用，均显著优于传统混凝土。其中，12%硅灰搭配10%粉煤灰的配方被证明是最优解。在28天龄期，该配方在抗压、抗拉和抗折强度上均取得显著增长，超声波测试也证实了其整体高质量。微观分析显示，这种强度提升源于钙硅酸盐凝胶（C-S-H）的形成增强以及界面过渡区变得更加致密。
机器学习模型完美复现了上述实验发现。其中，梯度提升（Gradient Boosting）算法提供了最准确的预测，是AdaBoost和其他集成方法。特征重要性分析进一步证实，养护龄期对强度发展的影响远大于单一材料组分。这一发现表明，将实验分析与机器学习相结合，能够超越孤立的观察，迈向更可靠的数据驱动材料设计。
对于中国建材行业而言，随着天然砂资源日益紧缺及“双碳”目标的推进，机制砂与工业废渣（如粉煤灰、硅灰）的协同利用已成为必然趋势。该研究提供的“微观结构+机器学习”双轮驱动模式，为中国企业优化绿色混凝土配方、降低试错成本提供了极具价值的技术参考，预示着未来智能建造将更深度地依赖数据模型而非单纯的经验试配。