基于机器学习的低碳混凝土自然与加速碳化关联性解析及预测模型构建

针对低碳混凝土长期碳化性能评估难题，本研究创新性地采用概率深度学习模型（测试R2达0.95），通过768次碳化模拟建立了材料特性-气候条件-碳化速率的非线性关联，首次实现加速/自然碳化率的区域化精准预测，为可持续混凝土结构设计提供智能决策工具。

　　

混凝土结构的耐久性一直是土木工程领域的核心议题，其中碳化现象如同"隐形杀手"——既能通过吸收CO₂实现环境效益，又可能引发钢筋锈蚀导致结构失效。传统评估方法面临两难困境：自然碳化需数十年观察周期，而加速碳化试验（如ISO 1920-12标准推荐的50-70% RH条件）又难以准确反映真实环境下的碳化行为。这种矛盾在低碳混凝土中尤为突出，因其大量使用的补充胶凝材料(SCMs)会显著改变碳化动力学特性。

多伦多大学（University of Toronto）的研究团队在《Sustainable Materials and Technologies》发表的研究中，开创性地构建了双通道概率神经网络(PNN)框架。通过分析1360种网络架构，最终开发出能同步预测加速（3% CO₂浓度）和自然碳化深度的模型，测试集决定系数R²高达0.95。研究整合了全球768组实验数据，涵盖飞灰(FA)、矿渣(GGBFS)等SCMs的化学成分、水胶比(W/B)等21项材料参数，以及温度、湿度等环境变量。

关键技术包括：1) 建立匹配的加速/自然碳化数据库；2) 采用SHAP值解析特征重要性；3) 蒙特卡洛模拟量化预测不确定性；4) 区域气候特异性建模。

【数据收集】
构建包含FA/GGBFS化学组成（如CaO含量）、28天抗压强度等质量指标的数据库，首次系统纳入了北美、欧洲等地的气候暴露类型（户外遮蔽/非遮蔽）。

【模型评价】
四层128神经元的PNN架构表现最优，对GGBFS混凝土的预测误差较传统模型降低62%。SHAP分析揭示CO₂浓度与W/B比的交互作用主导碳化速率。

【结论】
该框架首次量化了加速与自然碳化的非线性转换系数：在温带气候下，3% CO₂加速试验1周相当于自然暴露2.3±0.4年（FA混凝土）或1.8±0.3年（GGBFS混凝土）。

这项研究突破了材料-环境耦合效应难以量化的瓶颈，其创新性体现在：1) 实现实验室数据到真实场景的智能映射；2) 为含新型SCMs的低碳混凝土提供寿命预测工具；3) 建立的概率模型可量化气候变化带来的性能变异风险。该成果被加拿大环境与气候变化部(ECCC)列为碳中和基础设施关键技术，特别适用于含高掺量煅烧粘土的混凝土体系设计。