基于三元混合物设计与人工神经网络优化的飞灰基地聚物水泥力学性能研究：三种本地废弃物的协同回收利用

为解决传统水泥高能耗、高污染问题，研究人员通过三元混合物设计（TMD）和人工神经网络（ANN）优化了飞灰基地聚物水泥（FA-based geopolymer）的力学性能，利用陶瓷废料（CW）、煤底灰（CBA）和大理石粉（MP）作为无机增强体系。研究得出最优配比（40% CW-41% CBA-19% MP），使抗压强度达27.63 MPa，表观密度1.93 g/cm3 ，孔隙率22.07%。该研究为建筑行业提供了可持续材料解决方案，并展示了统计方法与机器学习在材料工程中的协同优势。

　　

在全球建筑行业高速发展的背景下，传统硅酸盐水泥（OPC）的生产已成为第三大能源密集型工业活动，每吨水泥消耗110 kWh电能，并排放0.8-1.0吨CO₂
，占全球温室气体排放的8%-9%。这种高碳足迹推动了对替代材料的迫切需求。地聚物技术因其低温合成（<100°C）、低能耗和利用工业废料的特点成为研究热点，但其力学性能（如高脆性）仍需提升。

为此，研究人员提出了一种创新方法：通过三元混合物设计（TMD）和人工神经网络（ANN）协同优化飞灰基地聚物水泥的力学性能。研究选取三种本地废弃物——陶瓷废料（CW）、煤底灰（CBA）和大理石粉（MP）作为增强体系，以抗压强度（CS）、体积密度（BD）和表观孔隙率（AP）为优化目标。实验采用X射线荧光（XRF）、X射线衍射（XRD）、傅里叶变换红外光谱（FT-IR）、热重/差热分析（TG/DTA）、扫描电镜（SEM）和能谱分析（EDS）对原材料及产物进行表征。

Ternary mixture design modeling
通过TMD建立的模型显示，CW和CBA对提高抗压强度有显著协同效应，而MP则主要影响孔隙率。最优配比（40% CW-41% CBA-19% MP）使抗压强度达27.63 MPa，较未优化体系提升约40%。

Artificial neural networks modeling
ANN模型在预测性能上优于TMD，其R²
值达0.98，表明机器学习能更精准捕捉复杂非线性关系。

Physicochemical characterizations
优化地聚物（OGP）呈现致密均质结构，主要成分为无定形钠钙铝硅酸盐凝胶（N(C)-A-S-H），而非优化体系（NPGP）则显示多孔异质形貌。

Conclusions, limitations, and future research
该研究首次实现三种废弃物的协同回收，为地聚物性能优化提供了可扩展的模型框架。局限性在于未评估长期耐久性，未来需结合生命周期分析（LCA）验证环境效益。

这项发表于《Sustainable Chemistry and Pharmacy》的研究，通过融合传统统计方法与前沿机器学习，不仅推动了废弃物高值化利用，还为建筑行业低碳转型提供了关键技术支撑。其创新性在于：首次将TMD与ANN联合应用于地聚物增强体系优化，并揭示了N(C)-A-S-H凝胶的形成机制与性能的构效关系。