Ant Colony Optimization-Driven Ensemble Learning for Carbon Emission Modelling in Fly Ash–Slag Geopolymer Concrete

Unofficial AI-generated summary based on the public title and abstract. Not an official translation.

🔬研究者:Demonstrates a novel integration of ACO with ensemble ML for carbon emission modeling, highlighting trade-offs between accuracy and robustness.

🏢実務担当者:Offers a predictive tool for optimizing geopolymer concrete mixes to minimize carbon footprint, aiding in low-carbon material selection.

🏛政策担当者:Provides evidence for incorporating data-driven modeling in standards for low-carbon concrete and embodied carbon accounting.

本研究は、フライアッシュおよび高炉スラグ微粉末をベースとしたジオポリマーコンクリート（GPC）からの炭素排出量の予測を、高度なアンサンブル機械学習（ML）手法を用いて調査するものである。MLはGPCの力学性能のモデル化に広く利用されてきたが、環境影響、特に炭素排出量の推定への応用は限られている。本研究では、ランダムフォレスト、勾配ブースティング、極端勾配ブースティング（XGB）、CatBoost、軽量勾配ブースティングマシン（LGBM）などの6つのアンサンブルMLモデルを用いており、アリコロニー最適化（ACO）を用いて最適化されたバージョンも含まれる。その中で、ACO強化XGBモデルが最も高い予測精度を示し、決定係数（R2）は0.97、予測誤差は低値（MAE = 3.92、RMSE = 6.17）であった。しかし、交差検証および不確実性解析により、上位モデル間の性能差は比較的小さいことが示された。逆に、LGBMは予測信頼性が最も低かった。特徴量重要度解析により、養生パラメータ、具体的には初期養生時間、養生温度、および乾燥水酸化ナトリウムの使用量が炭素排出量に最も大きな影響を与えることが明らかになった。モデルの頑健性と解釈可能性を評価するため、モンテカルロシミュレーションおよびガウス白色雑音解析を実施した。結果は、CatBoostおよびACO–勾配ブースティング（ACO-GB）が変動条件およびノイズ条件下でより高い安定性を示す一方、XGBベースのモデルは非常に正確ではあるものの、入力変動に対して比較的感受性が高いことを確認した。全体として、本研究はGPCにおける炭素排出量を定量化するためのデータ駆動型で効率的な枠組みを確立し、予測精度とモデル頑健性の両方を評価することの重要性を強調し、インテリジェントなモデリングを通じた持続可能な材料設計を前進させるものである。

AI 翻訳（deepseek-v4-flash）。 正確を期す場合は下の原文を参照してください。

This study investigates the prediction of carbon emissions from fly ash and ground granulated blast furnace slag-based geopolymer concrete (GPC) using advanced ensemble machine learning (ML) techniques. Although ML has been extensively utilized to model GPC’s mechanical performance, its application in estimating environmental impacts, specifically carbon emissions, is limited. The research employs six ensemble ML models, such as random forest, gradient boosting, extreme gradient boosting (XGB), CatBoost, and light gradient boosting machine (LGBM), including versions optimized using ant colony optimization (ACO). Among them, the ACO-enhanced XGB model demonstrated the highest predictive accuracy with a coefficient of determination (R2) of 0.97, with low prediction errors (MAE = 3.92, RMSE = 6.17). However, cross-validation and uncertainty analyses indicate that the performance differences among top models are relatively small. Conversely, LGBM exhibited the least predictive reliability. Feature importance analysis revealed that curing parameters, specifically initial curing time, curing temperature, and the dosage of dry sodium hydroxide, had the most influence on carbon emissions. To evaluate model robustness and interpretability, Monte Carlo simulation and Gaussian white noise analyses were conducted. Results confirmed that CatBoost and ACO–gradient boosting (ACO-GB) demonstrated greater stability under varying and noisy conditions, whereas XGB-based models, although highly accurate, were comparatively more sensitive to input variability. Overall, the research establishes a data-driven, efficient framework for quantifying carbon emissions in GPC, highlighting the importance of evaluating both predictive accuracy and model robustness, advancing sustainable material design through intelligent modelling.

• openalex https://doi.org/10.3390/ma19102168first seen 2026-06-17 05:50:17 · last seen 2026-06-17 07:14:10