基于多层机器学习框架的非离子表面活性剂分子特性预测水泥浆体引气性能研究

这篇研究通过创新的多层机器学习方法，首次建立了非离子表面活性剂分子特性（如碳链长度、亲疏水平衡值HLB）与水泥浆体引气孔隙率（Air-entrained porosity）的预测模型。研究整合了分子属性（Layer 1）、物化特性（Layer 2）和微观结构（Layer 3）三层数据，揭示了表面张力（ST）、泡沫稳定性（FS）和接触角（CA）对引气性能的协同作用，为混凝土抗冻融耐久性（freeze-thaw resistance）的优化提供了高效筛选工具。

　　

引言

混凝土在冻融循环环境中的耐久性高度依赖引气剂（AEAs）形成的稳定气孔系统。传统引气剂开发依赖试错法，成本高且效率低。本研究提出了一种多层机器学习框架，通过非离子表面活性剂的分子特性直接预测水泥浆体的引气孔隙率，为材料设计提供了新范式。

机器学习方法与实验设计

研究采用三层模型架构：

1. 分子层（Layer 1）：包括碳链长度（C#）、分子量（Mw）、亲疏水平衡值（HLB）、乙烯氧基单元（EO）等参数，通过特征筛选保留关键指标。

2. 物化层（Layer 2）：涵盖表面张力（ST）、泡沫容量（FC）、泡沫稳定性（FS）及接触角（CA）。实验显示，HLB值12-25的 surfactant 泡沫生成能力最强，而低分子量（Mw <4000 g/mol）表面活性剂能显著降低表面张力至27.1-51.7 mN/m。

3. 输出层（Layer 3）：通过微计算机断层扫描（micro-CT）量化硬化水泥浆体的引气孔隙率（10-1000 μm范围），最高达25%，远超对照组1%。

关键发现与机制

1. 分子特性与泡沫行为：HLB和EO单元数共同调控泡沫稳定性。例如，Imbentin-C/91/060（HLB=12.5）在30分钟后保留44%泡沫体积，而Hedipin-R/2000G（HLB=18）几乎完全失稳。

2. 表面张力与分子量：Mw与EO高度相关（R=0.95），低Mw分子更易吸附于气-液界面，但过量EO会削弱表面活性。

3. 颗粒稳定化效应：接触角校正后，部分表面活性剂使水泥颗粒疏水性提升至80°，接近Pickering稳定化最佳范围（70°-86°），显著抑制气泡聚并。

模型性能与验证

最终模型在验证集上表现优异（R²=0.8，RMSE=3.29），优于自动化工具PyCaret（R²=0.32）。特征重要性分析表明，泡沫容量平方（FC²）和FS×CA乘积是预测引气孔隙率的核心因子。

应用与展望

该模型可加速新型引气剂的虚拟筛选，例如通过优化HLB和EO比例设计高效分子。未来研究可拓展至离子型表面活性剂、多组分胶凝体系及浓度效应，进一步揭示气孔尺寸分布的调控机制。

（注：全文数据均源于59种非离子表面活性剂的实验表征，模型代码与数据集已开源。）