混凝土是我国基础建设中使用场景最多、使用量最大的建筑材料,具有成本低、强度高、耐火性好等优点。随着现代建筑工程的发展,混凝土要同时满足多种性能的需求,其组成成分越来越复杂,已有的性能预测公式和配合比设计公式不适用个性化、复杂化混凝土的使用需求。机器学习是选择合适的数学模型,输入样本数据,运用合适的算法训练模型,最后运用训练好的模型对数据进行分析预测,具有很强的非线性学习能力,可以同时分析多个参数与目标。因此,本文引入机器学习算法用来学习混凝土成分与性能之间的关系,为混凝土性能的预测和设计提供新的方法与途径。首先,研究了用于预测钢纤维混凝土抗压强度和抗拉强度的机器学习算法,基于公开发表的文献收集了一份钢纤维混凝土组分和强度的数据集,建立了多种机器学习算法并进行对比分析,发现基于梯度提升的模型具有最佳性能;通过特征重要性分析得知,水胶比和水含量是影响钢纤维混凝土的抗压强度的最主要因素,硅灰和纤维掺量对钢纤维混凝土的抗拉强度影响最大。从满足强度要求的角度出发,设计了钢纤维混凝土的配合比。然后,研究了用于预测混凝土坍落度的机器学习算法,通过一份已有的数据集,获得了混凝土组分和抗压强度及坍落度的数据集,通过对多种机器学习算法进行对比,结果显示基于梯度提升的模型具有最佳性能,完成了影响混凝土坍落度的特征重要性分析,结果表明对坍落度影响最大的因素是水的用量。在同时满足抗压强度和坍落度的要求下,进行了混凝土的配合比设计。最后,研究了用于预测混凝土氯离子扩散系数的机器学习算法,基于公开发表的文献,收集了一份混凝土组分和氯离子扩散系数的数据集,建立了多种机器学习算法,通过对比发现基于梯度提升的模型具有最佳性能;进行了影响混凝土氯离子扩散系数的特征重要性分析,对混凝土氯离子扩散系数影响较大的因素分别是砂、水和水泥。从限制混凝土氯离子扩散系数的目的出发,设计了满足一定耐久性能的混凝土的配合比。