高保真数据驱动的F类粉煤灰-聚合物混凝土多目标设计

《Powder Technology》：High-fidelity data-driven multi-objective design of class F fly ash–geopolymer concrete

本研究的中文摘要：通过构建首个标准化粉煤灰地聚物混凝土（FA-GPC）数据库，包含799个配方，并开发基于机器学习和多目标优化的设计框架，实现了高强度（最高87 MPa）与低碳足迹（最低30 kg/m3）的平衡，并通过实验验证了预测模型的准确性。

　　这项研究聚焦于通过数据驱动的方法优化以粉煤灰（Class F）为唯一原料的地质聚合物混凝土（FA-GPC）配方设计。随着全球水泥生产带来的碳排放问题日益严重，寻找可持续的替代材料成为建筑行业的关键课题。地质聚合物和碱激发材料（AAMs）因其较低的能耗和碳足迹，以及与传统波特兰水泥（OPC）相当甚至更优的性能，被认为是OPC的有力替代品。然而，目前FA-GPC的配方设计仍然依赖于耗时且成本较高的试验与误差方法。为此，研究者构建了一个标准化的数据库，包含了799种混合配方，来源于67篇文献，并将所有报告的强度值统一转换为标准的150 mm直径、300 mm高度圆柱体的等效值。通过这一标准化处理，消除了不同试件形状和尺寸对强度评估带来的偏差，从而提高了不同配方之间的可比性和模型预测的准确性。

研究采用了三种不同的数据可用性场景，分别针对不同级别的数据缺失和补全，对18种机器学习（ML）、深度学习（DL）和混合模型进行了系统评估。其中，Voting集成模型在预测7至28天的抗压强度方面表现出色，R2值达到0.962，而LSTM与XGBoost的混合模型在预测混合配方的碳足迹方面达到了0.996的R2值。通过SHAP分析，研究揭示了影响早期强度的关键因素，包括硅铝比（Si/Al ratio）和初始养护温度，而总碱激发剂（Na?SiO?/NaOH）和钠氧化物与结合料的比值则对碳足迹具有决定性作用。这表明在设计FA-GPC时，强度与碳足迹之间存在一种内在的权衡关系，需要在两者之间找到最佳平衡点。

基于上述分析结果，研究引入了一种多目标优化（MOO）框架，利用NSGA-II算法对11种混合变量进行优化，探索了从第1到第99百分位的参数范围。该框架在不同的数据场景下生成了Pareto前沿，即在满足结构性能的同时，实现了碳足迹的最小化。研究结果显示，通过这一优化策略，可以达到65 MPa的抗压强度，同时碳排放量控制在30 kg CO?/m3以下（在90天的养护条件下）。此外，在放宽碳排放限制的情况下，强度甚至可以提升至87 MPa，进一步验证了该方法在提高材料性能和降低环境影响方面的潜力。

与现有优化方法相比，该研究提出的流程不仅扩大了设计空间，还显著提升了强度（提高10-20 MPa）并减少了碳排放（减少高达70%）。这种优化方法结合了先进的预测建模与细致的优化过程，为数据科学与建筑材料领域之间的结合提供了新的思路。通过这种方法，可以开发出低碳、下一代的混凝土材料，同时维持甚至提升其性能。

为了实现这一目标，研究构建了一个三阶段的数据驱动流程。首先，进行了数据整理和场景划分，从799个配方中提取出三种基准数据集：S1（346个样本，包含完整的28天强度数据和最小的缺失值补全）、S2（511个样本，包含完整的7天强度数据和适度的缺失值补全）和S3（799个样本，包含完整的1至365天强度数据和碳足迹信息，以及大量的缺失值补全）。每种数据集均按照70%训练、15%验证和15%测试的比例进行划分，并进行了标准化处理，以确保模型的兼容性。这种数据处理方式有助于评估不同数据可用性和缺失值补全策略对模型性能的影响，为后续的优化提供可靠的数据基础。

在模型选择和训练方面，研究采用了多种ML、DL和混合模型，以适应不同数据场景下的预测需求。对于S1和S2，使用了KNN和XGBoost进行缺失值补全和强度预测，而S3则利用KNN和XGBoost处理更复杂的缺失值问题。模型的训练过程包括了超参数优化、交叉验证、学习率调整、梯度裁剪和Dropout等技术，以确保模型的收敛性和避免过拟合。通过这些方法，研究者确保了模型在不同数据场景下的稳健性，为后续的多目标优化奠定了基础。

模型性能评估结果显示，S2在预测强度和碳足迹方面表现最佳，R2值分别为0.962和0.996，MAE分别为1.64 MPa和3.86 kg/m3。相比之下，S1在强度预测上表现稳健，但在碳足迹预测上存在较大的误差；S3则在处理大量数据和缺失值补全方面具有优势，但因过度依赖估计数据，导致预测误差增加。通过这些模型，研究者能够识别出关键特征，例如硅铝比和初始养护温度对早期强度的影响，以及总碱激发剂和钠氧化物与结合料的比值对碳足迹的控制作用。

多目标优化结果表明，NSGA-II算法在生成Pareto前沿方面表现最优，特别是在强度和碳足迹之间的平衡上。研究通过NSGA-II算法，在不同养护龄期（1至365天）内找到了多种高性能、低碳排放的混合方案。例如，在28天养护龄期，优化后的混合方案可以达到65.7 MPa的强度，同时碳排放量控制在31.3 kg/m3以下；而在365天养护龄期，NSGA-III算法在降低碳排放方面表现更优，达到30.1 kg/m3。这些结果不仅展示了NSGA-II算法在优化性能上的优势，还揭示了不同数据场景下算法选择的重要性。

此外，研究通过实验验证了所提出框架的预测能力。选取了两组未用于训练和测试的混合方案，分别评估了其抗压强度和碳足迹的预测准确性。结果显示，预测误差均在可接受的工程范围内，表明该框架具有良好的外部泛化能力。这些实验验证进一步巩固了数据驱动方法在FA-GPC配方设计中的实用性。

尽管该研究取得了显著成果，但仍存在一些局限性。例如，当前数据库可能缺乏地理多样性和不同粉煤灰来源的代表性，这可能限制了模型在不同地区或材料条件下的泛化能力。此外，模型的计算复杂性可能在资源有限的实际应用中构成挑战。因此，未来的研究应致力于扩展数据集，涵盖更多地理和化学多样性，同时探索更高效的模型和优化算法，以提高预测的准确性和实用性。

总体而言，这项研究为可持续混凝土材料的设计提供了一个坚实的数据基础和优化框架。通过结合机器学习和多目标优化技术，研究者不仅提升了材料的性能，还显著降低了其环境影响。这为建筑行业向低碳、环保方向发展提供了重要的理论支持和实践指导，同时为未来的研究指明了方向，包括数据集的多样化、模型的简化、养护条件的标准化以及长期耐久性的评估。