机器学习闭环优化藻类生物质水泥设计：21%碳减排的可持续建材突破

为降低水泥行业8%-11%的全球CO2排放，华盛顿大学与微软研究院联合团队利用机器学习闭环优化框架，将大型藻类（Ulva spp.）作为碳负生物质掺入水泥，通过实时预测28天抗压强度并整合生命周期评估（LCA），仅用28天实验时间即优化出全球变暖潜能值（GWP）降低21%、强度达30.8 MPa的可持续水泥配方。该研究开创性地将早期停止策略（early-stopping）与摊销高斯过程模型（aGP）结合，加速新材料设计的同时揭示了藻类粒径与浓度对水化动力学的调控机制，为生物质建材开发提供新范式。

　　

论文解读

背景与问题

水泥行业贡献了全球8%-11%的CO₂排放，其中90%源自传统硅酸盐水泥（OPC）生产。尽管工业废渣（如粉煤灰、矿渣）作为辅助胶凝材料（SCM）可部分降低碳排放，但其来源仍依赖高碳产业。近年来，利用碳负性生物质（如藻类）替代水泥成为新思路，但生物质掺入会引发复杂的水化-强度关系变化——微藻浓度>5 wt%即可导致强度下降85%。大型藻类（Ulva spp.）虽具快速固碳、非耕地生长等优势，但其对水泥性能的影响尚未系统研究，且传统试错法探索配方耗时耗力（需28天强度测试），难以应对高维设计空间（藻浓度、粒径、水灰比、湿度）。

研究方案与结论

华盛顿大学材料科学与工程系联合微软研究院，提出机器学习（ML）驱动的闭环优化框架：

1. 设计空间：以藻浓度（c=0.5-15 wt%）、平均粒径（APS=2.86-388.27 μm）、水灰比（w/c=0.38-0.50）、养护湿度（RH=10-95%）为变量，目标为强度≥30.8 MPa（ASTM C150标准+10%安全裕度）且最小化GWP。
2. 核心创新：
   • 摊销高斯过程模型（aGP）：嵌入指数型均值函数（σ=σ_f(1-e^-t/τ)）整合藻类水泥水化动力学先验知识，通过超参数网络预测最终强度（σ_f）和特征时间（τ），实现小样本高精度预测。
   • 闭环优化：外循环基于GWP与强度概率选择配方，内循环根据早期强度（2/4/7天）动态终止实验（RMSE<6 MPa且合格概率>60%即停止）。
3. 关键结果：
   • 21%碳减排：优化配方（c=10.5%, w/c=0.5, APS=37.40 μm, RH=95%）GWP降至0.571 g CO₂/g，较基准OPC（0.725 g CO₂/g）降低21%。
   • 93%优化效率：28天内完成4轮实验（16组测试），覆盖了理论最大GWP改善幅度的93%（图3）。
   • 粒径调控机制：SEM与XRD揭示小粒径藻（APS=37.40 μm）通过紧密界面提升强度，而大粒径（APS=388.27 μm）因界面空隙引发应力集中导致强度骤降（图6）。
   • 浓度阈值效应：aGP模型捕捉到c>10%时特征时间τ指数增长，与强度骤降同步（图5C），归因于藻类羧酸基团对水化的阻碍。

技术方法概要

研究结合生命周期评估（LCA）计算GWP，通过行星式球磨制备四档藻粒径（2.86-388.27 μm），在温控湿度箱（10-95% RH）养护水泥样本。抗压强度由万能试验机（ASTM C109标准）测定。核心aGP模型以配方参数为输入，输出强度时变轨迹，通过贝叶斯优化动态指导实验。

结果详述

1. 闭环优化加速设计（图3）

• 初始数据集（24组LHS设计）训练aGP模型后，首轮即筛选高藻浓度（7-8%）、高湿度（95%）配方。
• 11/16实验经2天