人工智能驱动的低排放微波固化地质聚合物砂浆力学性能预测模型研究

本研究针对传统水泥生产高能耗、高CO2排放问题，创新性地采用深度学习神经网络(DL-NN)、概率神经网络(PNN)等AI模型预测微波固化地质聚合物(Geopolymer)的压缩强度(CS)和弯曲强度(FS)。研究通过对比四种算法性能，发现DL-NN预测精度最高（R=0.966/0.931），为绿色建材开发提供了智能化解决方案，推动AI与材料科学的深度融合。

　　

全球建筑行业正面临严峻的环境挑战——传统水泥生产占全球CO₂排放量的10%，每吨水泥消耗1.7吨原材料，且存在化学稳定性差等问题。地质聚合物(Geopolymer)作为新型环保建材，虽能显著降低碳足迹，但其性能受固化工艺影响显著。常规热固化(CHC)存在能耗高、温度分布不均等缺陷，而新兴的微波固化(MWC)技术虽能实现均匀加热，却缺乏精准的性能预测手段。

为突破这一技术瓶颈，国外研究团队在《Engineering Applications of Artificial Intelligence》发表研究，系统评估了四种人工智能模型对微波固化地质聚合物力学性能的预测能力。研究采用深度学习神经网络(DL-NN)、概率神经网络(PNN)、径向基函数神经网络(RBF-NN)和支持向量机(SVM)，基于常规固化时间(time-NH)、温度(temp-NH)、微波功率(W)和微波时间(time-MW)四个关键参数构建预测体系。

关键技术包括：1）采用前期实验数据构建训练集；2）通过MAE、RMSE和R值等统计指标量化模型性能；3）开展敏感性分析评估参数权重；4）对比分析CO₂排放与体现能数据。

【数据收集】
基于F级粉煤灰地质聚合物实验数据，研究整合了不同微波功率(180-900W)和固化周期下的力学性能数据集，为模型训练提供实证基础。

【结果】
DL-NN展现出最优预测能力：CS预测R值达0.966（MAE=3.544MPa），FS预测R值0.931（MAE=0.990MPa），显著优于PNN模型（CS预测R=0.930）。可视化分析证实DL-NN能有效捕捉材料性能的非线性特征。

【结论】
该研究首次证实深度学习可精准预测微波固化地质聚合物力学性能，DL-NN的卓越表现归因于其多层架构处理复杂非线性关系的能力。敏感性分析揭示微波功率(W)对强度影响最大，为工艺优化指明方向。这项研究不仅减少了传统实验的资源消耗，更建立了AI驱动的新型建材开发范式，对推动建筑行业低碳转型具有里程碑意义。