工作内容:
作者系统整理了17项公开发表的废旧轮胎混凝土研究成果，建立涵盖橡胶掺量、抗压强度（fc）、劈裂抗拉强度（ft）及抗折强度（fb）等关键指标的数据集，并以二次数据为基础开展机器学习建模，为不同算法提供统一的数据支撑。
研究价值:
相较于单一实验研究，本工作通过整合已有研究成果，实现了不同试验数据的系统分析与综合利用，为废旧轮胎混凝土性能预测提供了更加全面的数据基础，也为数据驱动材料设计提供了新的研究范式。
亮点二｜揭示性能耦合规律
工作内容:
研究采用Pearson相关性分析，系统揭示橡胶掺量与混凝土各项力学性能之间的关联关系。结果表明，橡胶掺量与抗拉、抗折性能均呈显著负相关，而抗压强度与抗拉、抗折性能之间保持较强正相关，明确了影响废旧轮胎混凝土性能的关键因素及其相互作用规律。
研究价值:
该分析不仅验证了橡胶替代天然骨料对混凝土力学性能的影响机制，也为后续机器学习模型特征选择及配合比优化提供了理论依据，为绿色混凝土设计提供了重要参考。
亮点三｜多模型预测性能对比
工作内容:
作者分别构建了决策树（DT）、高斯过程（GP
）及XGBoost三种机器学习模型，对废旧轮胎混凝土劈裂抗拉强度和抗折强度进行了预测，并对不同算法的预测能力、非线性拟合能力及不确定性分析能力进行了系统比较。其中，DT能够识别关键强度阈值，GP能够给出预测置信区间，而XGBoost则表现出更高的预测精度。
研究价值:
通过多种算法的横向比较，研究全面评估了不同机器学习方法在废旧轮胎混凝土性能预测中的适用性，为工程领域机器学习模型选择提供了参考依据，也丰富了人工智能在建筑材料中的应用实践。
亮点四｜XGBoost实现精准预测
工作内容:
研究结果显示，XGBoost模型在两类目标性能预测中均取得最佳结果。其中，劈裂抗拉强度预测R²达到0.9048，抗折强度预测R²达到0.9503，预测精度明显优于决策树及高斯过程模型。同时，研究还利用特征重要性分析进一步揭示了抗压强度与橡胶掺量对模型预测结果的贡献程度。
研究价值:
高精度预测模型能够减少传统混凝土大量试配与力学测试工作，为废旧轮胎混凝土快速设计、性能优化及工程应用提供高效的数据支撑，也进一步体现了机器学习在绿色建材研发中的应用潜力。
亮点五｜评估模型泛化能力
工作内容:
除模型训练精度外，作者进一步采用k折交叉验证、Bootstrap不确定性分析及特征重要性分析，对模型泛化能力进行了全面评价。研究发现，虽然XGBoost训练精度较高，但由于数据规模有限，交叉验证性能明显下降，模型仍存在一定程度的过拟合现象。
研究价值:
该研究不仅关注模型"预测得准"，更重视模型"推广得好"，为机器学习在建筑材料领域的规范应用提供了更加客观的评价体系。同时也指出，未来应进一步扩充数据规模、增加影响因素，以提升模型的稳定性、可靠性及工程应用价值。
