Concrete is the most utilized human-made material that has been used in the construction industry. The global concrete demand is rapidly increasing, and accordingly, designing green and sustainable concretes is of great concern. This study aims to optimize the mixture proportion of green and sustainable concretes. In this regard, concrete functional characteristics (i.e., compressive strength, slump, carbonation, and rapid chloride permeability test), unit cost, and environmental impacts (i.e., global warming potential, hazardous waste disposed, non-hazardous waste disposed, and radioactive waste disposed) are considered in the model to be optimized. Accordingly, a new prediction algorithm called “Marine predator programming” is introduced to model and predict concrete functional characteristics. Three prediction techniques, including artificial neural network, support vector machine, and 2nd polynomial regression, are employed to assess the performance of the introduced machine learning model. Consequently, a novel sustainability modeling is developed, and the mixture proportions of sustainable and green concretes are designed for different compressive strength classes. An optimization process is performed to find the optimal solutions to the mentioned sustainability model. The results indicate that Marine predator programming is highly qualified to estimate different concrete features. Green and sustainable mixtures can reduce the environmental index by 74.37% and 67.83%. The sustainability index of sustainable mixture proportions is up to 80.03% lower than the mixture proportion of mixtures designed by other conventional experimental.

混凝土是建筑行业中使用最多的人造材料。全球混凝土需求快速增长，因此，设计绿色和可持续的混凝土备受关注。本研究旨在优化绿色和可持续混凝土的配合比。在这方面，混凝土的功能特性（即抗压强度、坍落度、碳化和快速氯化物渗透性测试）、单位成本和环境影响（即全球变暖潜势、处置的危险废物、处置的非危险废物和放射性废物）处置）被考虑在模型中进行优化。因此，引入了一种称为“海洋捕食者编程”的新预测算法来对具体的功能特征进行建模和预测。三种预测技术，包括人工神经网络、支持向量机和二次多项式回归，被用来评估引入的机器学习模型的性能。因此，开发了一种新颖的可持续性模型，并针对不同的抗压强度等级设计了可持续和绿色混凝土的混合比例。执行优化过程以找到提到的可持续性模型的最佳解决方案。结果表明，海洋捕食者编程非常适合估计不同的具体特征。绿色和可持续的混合物可以将环境指数降低 74.37% 和 67.83%。可持续混合比例的可持续性指数比其他常规实验设计的混合比例低80.03%。采用支持向量机和第二多项式回归来评估引入的机器学习模型的性能。因此，开发了一种新颖的可持续性模型，并针对不同的抗压强度等级设计了可持续和绿色混凝土的混合比例。执行优化过程以找到提到的可持续性模型的最佳解决方案。结果表明，海洋捕食者编程非常适合估计不同的具体特征。绿色和可持续的混合物可以将环境指数降低 74.37% 和 67.83%。可持续混合比例的可持续性指数比其他常规实验设计的混合比例低80.03%。采用支持向量机和第二多项式回归来评估引入的机器学习模型的性能。因此，开发了一种新颖的可持续性模型，并针对不同的抗压强度等级设计了可持续和绿色混凝土的混合比例。执行优化过程以找到提到的可持续性模型的最佳解决方案。结果表明，海洋捕食者编程非常适合估计不同的具体特征。绿色和可持续的混合物可以将环境指数降低 74.37% 和 67.83%。可持续混合比例的可持续性指数比其他常规实验设计的混合比例低80.03%。被用来评估引入的机器学习模型的性能。因此，开发了一种新颖的可持续性模型，并针对不同的抗压强度等级设计了可持续和绿色混凝土的混合比例。执行优化过程以找到提到的可持续性模型的最佳解决方案。结果表明，海洋捕食者编程非常适合估计不同的具体特征。绿色和可持续的混合物可以将环境指数降低 74.37% 和 67.83%。可持续混合比例的可持续性指数比其他常规实验设计的混合比例低80.03%。被用来评估引入的机器学习模型的性能。因此，开发了一种新颖的可持续性模型，并针对不同的抗压强度等级设计了可持续和绿色混凝土的混合比例。执行优化过程以找到提到的可持续性模型的最佳解决方案。结果表明，海洋捕食者编程非常适合估计不同的具体特征。绿色和可持续的混合物可以将环境指数降低 74.37% 和 67.83%。可持续混合比例的可持续性指数比其他常规实验设计的混合比例低80.03%。可持续和绿色混凝土的混合比例专为不同的抗压强度等级而设计。执行优化过程以找到提到的可持续性模型的最佳解决方案。结果表明，海洋捕食者编程非常适合估计不同的具体特征。绿色和可持续的混合物可以将环境指数降低 74.37% 和 67.83%。可持续混合比例的可持续性指数比其他常规实验设计的混合比例低80.03%。可持续和绿色混凝土的混合比例专为不同的抗压强度等级而设计。执行优化过程以找到提到的可持续性模型的最佳解决方案。结果表明，海洋捕食者编程非常适合估计不同的具体特征。绿色和可持续的混合物可以将环境指数降低 74.37% 和 67.83%。可持续混合比例的可持续性指数比其他常规实验设计的混合比例低80.03%。结果表明，海洋捕食者编程非常适合估计不同的具体特征。绿色和可持续的混合物可以将环境指数降低 74.37% 和 67.83%。可持续混合比例的可持续性指数比其他常规实验设计的混合比例低80.03%。结果表明，海洋捕食者编程非常适合估计不同的具体特征。绿色和可持续的混合物可以将环境指数降低 74.37% 和 67.83%。可持续混合比例的可持续性指数比其他常规实验设计的混合比例低80.03%。