基于神经网络的3D打印混凝土性能评估模型：机器人建造中的智能配比优化

针对3D打印混凝土传统配比设计依赖试错法、效率低下的问题，重庆大学团队开发了基于反向传播神经网络（BPNN）的智能预测模型。研究通过60组实验数据训练网络，优化水胶比（w/b）、砂胶比（b/s）等关键参数，最终构建的双隐藏层网络（ANN6-24-23-6）预测精度达R2>0.97，灰关联分析揭示流动性（flowability）和力学强度为最关键影响因素，为建筑机器人自动化施工提供AI驱动解决方案。

　　

在建筑行业快速迈向智能化的今天，3D混凝土打印技术（3DCP）以其无需模板、自由造型的优势备受瞩目。然而，这项革命性技术面临一个关键瓶颈：混凝土配比设计仍严重依赖经验试错。传统方法需要反复调整水胶比、掺合料比例等参数，不仅耗时耗力，还难以平衡流动性、挤出稳定性和最终强度之间的复杂关系。更棘手的是，打印过程中混凝土要经历泵送、挤出、堆叠多个阶段，每个阶段对材料性能的要求截然不同——既要足够流动以便输送，又需快速硬化以支撑上层结构。这种"既要又要"的矛盾，让配比设计如同走钢丝，稍有不慎就会导致打印失败或结构缺陷。

针对这一挑战，重庆大学的研究团队在《Results in Engineering》发表了一项突破性研究。他们巧妙地将人工智能引入混凝土配比设计，开发出基于反向传播神经网络（Back-Propagation Neural Network, BPNN）的智能预测系统。研究人员首先系统测试了60种不同配比的3D打印混凝土，涵盖0.35-0.39水胶比、0.66-0.74砂胶比和5-15%粉煤灰掺量范围，精确测量了流动性、凝结时间、挤出宽度偏差等关键指标。这些数据成为训练BP神经网络的"教材"。通过反复优化，团队最终确定双隐藏层网络结构（ANN_6-2⁴_-2³_-6）表现最优，其预测结果与实际配比的相关系数R²高达0.97以上。更引人注目的是，通过灰关联分析（Grey Relational Analysis, GRA）发现，流动性和28天抗压强度对预测精度影响最大，而挤出宽度偏差等工艺参数影响较小，这一发现为优化方向提供了明确指引。

研究主要采用三大技术方法：一是基于工业机器人（KUKA KR60）的混凝土打印系统，实现精确控制打印速度（0.2 m/s）和挤出压力；二是标准化性能测试，包括流动度（GB/T 2419-2005）、凝结时间（JGJ/T70-2009）和力学强度（GB/T 17671-2021）检测；三是神经网络建模，采用Levenberg-Marquardt算法训练，通过tansig和purelin激活函数处理非线性关系。

实验方案设计
研究选用PO 52.5水泥、II级粉煤灰和细度模数2.9的机制砂作为主要原料，通过聚羧酸减水剂和羟丙基甲基纤维素（HPMC）调节工作性。根据TCECS 786-2020标准设计60组配比，重点考察水胶比、砂胶比和粉煤灰掺量三因素对打印性能的影响。

BP神经网络建模
构建三种网络结构对比：单输出单隐藏层（ANN_6-10-1）、多输出单隐藏层（ANN_6-10-6）和双隐藏层网络（ANN_6-16-8-6）。结果显示，双隐藏层结构表现最优，预测水泥用量的平均绝对百分比误差（MAPE%）仅1.4%，远优于单层网络的5.2%。

灰关联分析
通过GRA量化各输入参数对预测结果的影响程度，发现流动性（4.926）和抗压强度（4.882）的关联度最高，而挤出宽度偏差（4.283）影响最小，表明材料性能参数比工艺参数更关键。

这项研究的价值不仅在于建立了高精度的预测模型，更揭示了3D打印混凝土配比设计的底层逻辑。传统试错法需要数月完成的配比优化，现在通过神经网络只需几分钟即可获得理想方案。特别值得注意的是，模型对纤维素醚用量的预测精度（R²=0.979）解决了粘度调节剂难以量化的问题。研究结果对推动建筑3D打印从"经验驱动"转向"数据驱动"具有里程碑意义，为智能建造时代的材料设计提供了可复制的技术范式。未来，该方法还可拓展至地聚合物混凝土等环保材料体系，加速建筑业低碳转型。