理论模型嵌入的机器学习框架智能预测水泥基材料热重行为

《Engineering Applications of Artificial Intelligence》：Intelligent prediction framework for thermogravimetric behavior of cement-based materials with theoretical model embedding

本文创新性地提出了一种融合理论模型与机器学习（XGBoost）的混合框架，通过将水化动力学模型和碳化速率模型的输出作为输入特征，实现了多变量条件下水泥基材料热重（TG）曲线中氢氧化钙（CH）脱水至碳酸钙（CaCO3）分解关键区段（TGCH-CC）的精准预测。该研究通过化学计量学关系将水泥化学成分降维至理论最大CH含量（CH0%）与理论最大CaCO3含量（Cmax%），显著提升了模型泛化能力，为水泥碳化抵抗性及耐久性研究提供了高效可靠的数字化工具。

　　

研究框架

如图1所示，所提出的TG_CH-CC曲线预测框架包含五个核心模块：

（1）实验流程：对多种水泥基材料（如普通硅酸盐水泥OPC、低热水泥LHPC、早强水泥HESPC）在不同环境条件（温度、相对湿度、养护时间、CO₂浓度）下进行热重测试；

（2）理论模型：基于实验数据，利用水化动力学模型和碳化速率模型量化环境变量与材料组成对水化度及碳化度的交互影响；

（3）特征工程：通过化学计量学关系将水泥化学成分转换为理论最大CH含量（CH₀%）和理论最大CaCO₃含量（C_max%），实现输入特征的降维优化；

（4）机器学习建模：以理论模型输出为特征，训练XGBoost算法预测TG_CH-CC曲线；

（5）验证与应用：通过交叉验证评估模型精度，并生成标准化TG曲线以支持多变量分析。

水化动力学模型的验证

通过对比三种水泥（OPC、HESPC、LHPC）在不同温度、湿度及养护时间下的实验水化度与模型预测值，验证水化动力学模型的可靠性。

图7展示了不同水泥基材料水化度随养护时间的演化规律，其中α_20,t代表模型生成的基准水化度曲线（默认养护条件为20°C、100%相对湿度）。结果显示，模型预测与实验数据高度吻合，证实了模型在多元环境变量下的适用性。

结论

本研究成功开发了一种理论建模与机器学习（XGBoost）相结合的创新混合框架，能够精准预测多变养护条件下水泥基材料的热重行为。该框架聚焦TG_CH-CC曲线区段（从CH脱水开始至CaCO₃分解结束），为评估水泥碳化抵抗性及耐久性提供了关键指标，显著降低了对重复实验的依赖，推动水泥研究向高效可持续方向发展。