《Next Materials》：Performance and carbon footprint assessment of marble dust geopolymer concrete with a CNN-based crack classification framework
编辑推荐：
本研究通过结合力学性能、耐久性、碳足迹及基于卷积神经网络（CNN）的初步裂缝分类，对基于大理石粉尘的地聚物混凝土（GPC）进行了综合评估。在环境养护条件下，研究人员使用大理石粉尘以0–40%的比例部分替代混合粉煤灰。研究人员基于抗压强度、快速氯离子渗透试验（R
本研究通过结合力学性能、耐久性、碳足迹及基于卷积神经网络（CNN）的初步裂缝分类，对基于大理石粉尘的地聚物混凝土（GPC）进行了综合评估。在环境养护条件下，研究人员使用大理石粉尘以0–40%的比例部分替代混合粉煤灰。研究人员基于抗压强度、快速氯离子渗透试验（RCPT）和吸水率对五种配合比进行了评估。在所研究的配合比中，GPC-A3（粉煤灰：大理石粉尘=80:20，碱液/胶凝材料比=0.46）表现出最高的综合性能，其28天抗压强度为36.5 MPa，RCPT值为896库仑，吸水率约为3.9%。经900°C暴露后，A3保留了其初始抗压强度的约59%。针对1 m3混凝土进行的从摇篮到大门（cradle-to-gate）生命周期评估（LCA）显示，GPC-A3的隐含碳为305 kg CO?-eq/m3，而普通波特兰水泥（OPC）混凝土为425 kg CO?-eq/m3。相应的性能归一化碳强度分别为GPC的8.36 kg CO?-eq/(m3·MPa)和OPC的12.43 kg CO?-eq/(m3·MPa)。碱激活剂约占GPC总碳足迹的39.3%。此外，研究人员使用包含四个类别的通用混凝土裂缝图像数据集评估了基于CNN的裂缝分类框架。该模型达到了96.8%的验证准确率。由于该数据集并非专门从GPC试件中获取，该结果属于初步评估而非GPC特异性验证。总体而言，本研究在基于大理石粉尘的GPC共同框架内，将材料性能、环境评估和初步数字裂缝分类联系起来。
论文解读
一、研究背景与问题
混凝土是建筑行业中使用最广泛的材料之一，但其生产对环境和社会的负面影响巨大。普通波特兰水泥（OPC）及天然骨料的使用释放大量二氧化碳，约占全球排放总量的近8%。近年来，建筑行业对废弃材料利用的关注持续上升，地聚物混凝土（GPC）因使用工业废弃物替代OPC而被视为更具生态友好性的建筑材料选择。
当前研究领域存在若干亟待解决的问题。首先，大多数关于大理石粉尘基GPC的研究在受控实验室条件下进行，而实际现场通常采用环境温度养护，针对环境养护条件下大理石粉尘GPC耐久性能的系统研究十分有限。其次，多数生命周期评估（LCA）研究仅在胶凝材料层面报告排放值，而现场实际关注的是每立方米混凝土的排放量，配合比层面的具体数据极为匮乏。第三，碱激活剂对碳排放的贡献显著，但这一方面并未总是得到详细分析。第四，基于CNN的自动裂缝分类模型大多针对传统OPC混凝土开发，可持续材料开发与智能监测研究往往彼此分离，缺乏将材料设计、耐久性评估、环境影响评价和数字结构监测整合于同一实验平台的系统性框架。
二、研究内容与核心发现
本研究旨在开发并优化基于大理石粉尘的地聚物混凝土，在环境养护条件下以0–40%比例用大理石粉尘部分替代粉煤灰，系统评估其力学与耐久性能。研究人员通过多准则性能评估确定最优配合比，随后对该配合比进行从摇篮到大门（cradle-to-gate）生命周期评估（LCA），并开发轻量级CNN裂缝分类框架作为数字监测层。研究最终构建了连接材料优化、环境评估与自动裂缝监测的性能—可持续性—智能化综合框架。
研究结果表明，GPC-A3（粉煤灰：大理石粉尘=80:20，碱液/胶凝材料比=0.46）在五项试验配合比中综合性能最优，其28天抗压强度达36.5 MPa，RCPT值为896库仑，吸水率约3.9%。该配合比的隐含碳为305 kg CO?-eq/m3，较OPC混凝土（425 kg CO?-eq/m3）降低约28%。CNN模型在通用混凝土裂缝数据集上实现了96.8%的验证准确率。该框架为可持续且智能监测的混凝土结构发展提供了清晰路径。
三、关键技术方法
研究人员采用了以下主要技术方法：配合比参数化设计方法，固定胶凝材料总量为420 kg/m3，以粉煤灰与大理石粉尘比例作为主要变量，碱液/胶凝材料比在0.42–0.50范围内微调以维持工作性；多准则性能评估方法，将抗压强度作为效益准则、RCPT和吸水率作为成本准则，通过归一化与等权重计算性能指数（PI）筛选最优配合比；从摇篮到大门生命周期评估方法，以1 m3混凝土为功能单位，采用Ecoinvent 3.8数据库和openLCA v1.11软件核算隐含碳；基于TensorFlow/Keras框架构建的轻量级CNN裂缝分类模型，采用顺序结构包含三层卷积层（32、64、128个滤波器）、最大池化层、展平层、全连接层和Dropout层（0.4–0.5），使用Adam优化器（学习率0.001）训练50个epoch；Grad-CAM热力图技术用于可视化模型决策依据。图像数据集包含2000张混凝土表面图像，均匀分布于纵向裂缝、横向裂缝、斜向裂缝和完好表面四个类别，每类500张，来自公开数据集及既往实验室/现场研究。
四、研究结果
4.1 基于性能的最优配合比选择
研究人员对五种配合比进行了多准则性能评估，以抗压强度为效益准则、RCPT和吸水率为成本准则，计算各配合比的性能指数（PI）。结果显示A1、A2、A3、A4、A5的PI值分别为0.223、0.606、1.000、0.524和0.078。GPC-A3因同时具备最高抗压强度（36.5 MPa）、最低RCPT值（896库仑）和最低吸水率（3.9%）而获得最高PI值1.000，被选定为最优配合比。误差条分析表明各测量属性的离散程度相对均值较小，变异系数（CV）显示测量具有良好的可重复性。
4.2 M-30地聚物混凝土与普通混凝土的新拌及硬化性能
新拌性能测试表明，GPC-A3的坍落度为70 mm，低于OPC混凝土的110 mm，这归因于致密地聚物凝胶的形成和混合料中自由水较少。GPC泌水可忽略不计，离析倾向低，新拌密度为2400 kg/m3，高于OPC混凝土的2350 kg/m3。硬化性能方面，GPC-A3的28天抗压强度为36.5 MPa，高于OPC混凝土的34.2 MPa；劈裂抗拉强度为3.10 MPa（OPC为2.8 MPa）；抗折强度为4.20 MPa（OPC为3.9 MPa）。GPC满足M30等级混凝土的强度要求，且抗裂性能优于传统混凝土，归因于致密地聚物凝胶的形成和更优的颗粒堆积效应。
4.3 GPC与OPC混凝土的RCPT测试
RCPT测试结果显示，GPC-A3的电荷通过量范围为620–1100库仑，属于ASTM C1202分类中的“极低”至“低”渗透性等级；而OPC混凝土的电荷通过量为1050–1450库仑，属于“低”渗透性等级。GPC-A3表现出更优的抗氯离子渗透能力，这归因于其致密的基体结构和低孔隙率限制了离子的流动，而OPC混凝土通常具有更多连通的毛细孔。
4.4 GPC与OPC混凝土的热稳定性测试
热稳定性测试将试件暴露于最高900°C的温度条件。在室温下，GPC-A3与OPC的抗压强度相近（36.5 MPa对36.0 MPa）。随温度升高，两者性能差异逐渐显著：300°C时GPC保留约95%强度（34.5 MPa），OPC保留约85%（30.5 MPa）；600°C时GPC保留79%（28.7 MPa），OPC仅保留53%（19.2 MPa）；900°C时GPC仍保留约59%强度（20.5 MPa），而OPC仅剩约29%（10.3 MPa）。GPC的优异热稳定性归因于铝硅酸盐地聚合反应形成的致密且热稳定基体，而OPC中水化硅酸钙相在高温下分解导致脱水和内部开裂。
4.5 GPC与OPC混凝土的吸水率测试
吸水率测试表明，GPC-A3的平均吸水率为3.90±0.30%，变异系数为7.69%；OPC混凝土的平均吸水率为4.50±0.20%，变异系数为4.44%。GPC-A3的吸水率显著低于OPC混凝土，表明其孔隙率更低、结构更致密，归因于铝硅酸盐凝胶的致密结构和细颗粒大理石粉尘对微小孔隙的填充作用。
4.6 生命周期评估（LCA）
从摇篮到大门LCA以1 m3混凝土为功能单位，涵盖原材料生产、运输和混凝土生产阶段。GPC-A3的总隐含碳为305 kg CO?-eq/m3，较OPC混凝土的425 kg CO?-eq/m3降低约28%。GPC-A3各组分贡献为：粉煤灰45 kg CO?-eq/m3、大理石粉尘20 kg CO?-eq/m3、碱激活剂120 kg CO?-eq/m3、细骨料40 kg CO?-eq/m3、粗骨料50 kg CO?-eq/m3、运输30 kg CO?-eq/m3。碱激活剂为最大单一贡献源，约占GPC总隐含碳的39.3%，为未来进一步优化指明了方向。
4.7 数据集描述与图像预处理
CNN模型使用的数据集包含2000张混凝土表面图像，均匀分布于纵向裂缝、横向裂缝、斜向裂缝和完好表面四个类别。图像来自公开混凝土裂缝数据集及既往实验室/现场研究，并非专门从本研究GPC试件中获取。图像被调整至224×224像素，归一化至0–1范围，并通过旋转、水平翻转和亮度/对比度变化进行数据增强。数据集按80%训练和20%验证划分。
4.7.1 模型性能与评估指标
CNN模型在验证数据集上实现了96.8%的总体分类准确率。混淆矩阵显示大多数预测正确，完好表面识别准确率超过99%，斜向裂缝准确率略低，主要因为在特定光照条件下与横向裂缝外观相似。模型采用Grad-CAM热力图可视化，显示模型主要关注裂缝区域而非背景。模型在边缘设备（如Raspberry Pi）上单张图像处理约需1.2秒，展示了现场监测应用的可行性。研究人员明确指出，该准确率仅代表模型在通用混凝土图像数据集上的分类能力，不应解释为GPC特异性分类准确率，直接应用于GPC裂缝分类需使用专门的GPC裂缝图像数据集进行进一步实验验证。
五、讨论与结论
本研究的核心贡献在于建立了性能—可持续性—智能化的综合框架。GPC-A3（粉煤灰：大理石粉尘=80:20，碱液/胶凝材料比=0.46）在力学性能、耐久性和环境足迹之间实现了最优平衡。其28天抗压强度36.5 MPa满足M30等级要求，RCPT值896库仑和吸水率3.9%表明优异的耐久性能，900°C高温暴露后保留59%强度展示了良好的热稳定性。LCA结果显示其隐含碳较OPC混凝土降低28%，但碱激活剂贡献了39.3%的碳排放，提示未来可通过优化激活剂用量或采用更可持续的激活剂来进一步降低环境负担。CNN模型在通用混凝土数据集上达到96.8%的验证准确率，作为初步的数字监测组件展示了自动化裂缝分类的潜力，但需使用GPC特异性数据集进行再训练和验证后方可应用于实际GPC结构监测。该框架为可持续且智能监测的混凝土基础设施发展提供了从材料选择到环境评估再到数字结构监测的完整路径。
