数据驱动极低温环境下水泥基复合材料宏微观特征演化机理认知研究

《Engineering Applications of Artificial Intelligence》：Data-driven understanding of macro-micro feature evolution in cement-based composites under extreme low-temperature environments

　　

•知识引导的迁移学习克服了低温数据稀缺问题。•跨温度学习提高了极端条件下的预测能力。•建立了组成–温度–微观结构–性能的映射关系。•可靠的低温外推支持了极端环境下复合材料的数据高效设计。引言随着深空探测、月球和火星殖民以及极地资源开发的战略推进，为这些非常规环境中的未来基础设施设计特殊材料已成为关键的研究前沿。这些材料不仅需要维持极端条件下的结构稳定性和耐久性（如超低温、剧烈热波动、真空或近真空环境以及强辐射）（Lap?tre等，2020；Lee等，2025；Mannes Guesser De Oliveira等，2025；Zhang等，2020），还需要实现智能数字化监测和原位资源利用（Bao等，2024；Zhang等，2023）。对于基础设施而言，必须确保在极端温度、高辐射等环境下的稳定服役。例如，月球表面温度在直接太阳辐射下可升至+150°C，而在阴影区域可降至?180°C，对建筑材料施加了极端恶劣的热应力（Chen等，2024b；Hu等，2022）。同样，在极地科考站如中国南极中山站，冬季平均温度约为?15°C，并可降至?20°C以下（Xie等，2018）。因此，阐明基础设施建筑材料在极端环境下的性能演化是实现安全可持续的太空建筑的前提。揭示这些演化机制的关键在于获取并分析多因素耦合效应下材料随时间变化的宏观和微观尺度性能。然而，极端环境中的化学反应、冻融循环、裂纹萌生与扩展以及孔隙结构变形与传统行为存在显著差异，使得材料性能难以预测（Huo等，2022）。此外，由于极端环境的实验限制，获取原位数据既昂贵又低效，导致数据集规模比常规条件下的可用数据小几个数量级（Zhu等，2025b；Zimei等，2025）。例如，在月球建筑中，仅将材料从地球运输到月球，估计每公斤成本在10^5至10^6美元之间（Metzger和Autry，2023），更不用说采集原位数据了。原位数据的稀缺进一步制约了极端条件下材料性能预测和演化机制研究，从而限制了此类环境下优化材料设计和未来建筑建造的研究。因此，迫切需要开发可靠的方法，以克服环境和空间数据限制，阐明建筑材料在这些条件下的多尺度演化特征。近年来，机器学习（ML）技术的快速发展为解决这一挑战提供了新的途径。该技术在耦合特征分析和数据增强方面表现出独特优势，因为它能捕捉材料组成与性能指标之间的高维非线性相关性（Ragaa等，2025；Wang等，2024b）。传统机器学习模型在预测常规条件下不同建筑材料的微观和宏观性能方面已取得显著成功（Albert等，2022；Li等，2021；Tan等，2026b；Wang等，2024a）。例如，Sathvik等（2025）采用机器学习算法预测硅灰混凝土的抗压强度，其中XGBoost表现出优越的预测精度（R2 > 0.95）。Bryan等（Aylas-Paredes等，2025）综述了机器学习技术在预测超高性能混凝土工作性、力学和热性能方面的应用，系统评估了其在数据驱动材料设计方面的潜力。Albert等（2022）利用机器学习模型预测混凝土孔隙溶液化学性质，并证明其优于物理化学模型。然而，在极端环境下，数据稀缺以及由多种原材料和边界条件引入的复杂性增加了难度，阻碍了传统机器学习方法的可靠性（Moghaddas和Bao，2025）。大多数现有模型是在标准条件下采集的大型数据集上训练的，因此无法推广到零度以下或低温等极端环境（Kim，2025）。同样，在就地建筑方面，地球原材料与地外风化层之间的差异引发了对传统机器学习模型外推能力的担忧。这些挑战凸显了迫切需要开发能够在环境和材料系统两个层面预测材料性能的稳健AI模型。迁移学习（TL）提供了一种有效的方法，通过将知识从数据丰富的源域迁移到数据匮乏的目标域来缓解数据稀缺问题。这能够实现跨环境预测并增强对极端和地外条件下材料演化的理解（Ji等，2024；Nguyen等，2025；Zhang等，2025）。迁移学习已成功应用于能源、材料和医学等领域（Ardid等，2025；Chen等，2024a；Xiao等，2023）。在建筑材料方面，迁移学习的基本原理在于，尽管环境不同，混凝土的某些基本物理化学机制，如水化反应、孔隙结构演化和冻融动力学，表现出内在共性（Liu等，2016；Salaken等，2019；Zhang等，2026）。通过利用这些共享特征，在常规条件下训练的模型可以以最少的额外数据适应极端环境（Gao等，2025）。这些共享的物理化学特征为从常规域向极端环境域迁移知识提供了基础。同样，极端环境下的混凝土虽然经历额外的物理化学变化，但其底层的力学和耐久性机制与标准条件下观察到的特征保留共性（Dong等，2026；Han等，2025；Wang等，2024c；Zhu等，2025a）。通过识别和迁移此类特征，即使实验数据有限，迁移学习也能实现对极端条件下性能的准确预测。然而，迁移的可靠性在一定程度上取决于源域模型的质量。目前，大多数迁移学习模型主要关注材料系统的迁移和目标域的预测，而忽略了源域模型质量在知识传递中的作用。对于暴露于极端低温环境下的水泥基材料，孔隙溶液的冻结会造成与室温下观察到的结构性差异。不可靠的源域数据所产生的误差可能会变得更加明显，并影响后续对宏观和微观结构发展的解释。为此，本研究建立了一个源模型优化的迁移学习框架，以支持极端低温环境下水泥基复合材料的数据驱动设计（图1）。使用相同的源域数据集，在超参数优化前后比较了不同机器学习模型，以评估候选模型的准确性和稳定性。然后将选定的预训练模型利用有限的低温数据进行适应，以预测力学性能和冻结相关性能。利用保留的低温数据和?196°C下的独立测量值（超出训练温度范围）对迁移学习模型进行了评估。此外，将预测的强度、孔隙结构和冻结行为趋势与已发表的实验发现和已建立的冻结关系进行了比较。这些分析有助于阐明材料组成如何影响低温下水泥基复合材料的宏观和微观结构性能，为极端条件下未来建筑的材料选择、结构设计和维护提供了指导。本研究为其他极端环境下建筑材料的人工智能辅助设计和开发提供了基础。分段摘要材料研究中使用的水硬性材料包括普通硅酸盐水泥（C，P.Ⅱ 52.5，d50 = 11.5 μm，表观密度 = 3.14 g/cm3，华信产）、硅灰（SF，d50 = 2.9 μm，表观密度 = 2.2 g/cm3，Elkem产）和 limestone powder（LP，d50 = 11.3 μm，表观密度 = 2.6 g/cm3，新马特产）。水硬性材料的化学成分见表1。骨料为天然河砂（RS），粒径范围为0至0.6 mm。混凝土工作性源域模型选择与开发基础模型是使用源域数据开发的，以水泥（C）、硅灰（SF）、limestone powder（LP）、细砂（FS）、水（W）的混合组成以及水胶比作为输入变量。选择了抗压强度（CS）作为代表性参数，这是数据最完整且在工程评估中广泛应用的参数，用于评估和从四个候选模型中选择最优算法，包括带贝叶斯和不带贝叶斯优化的ANN和XGBoost模型。讨论本研究将机器学习与迁移学习相结合，开发了针对极端热环境下水泥基基础设施系统的知识引导预测框架。所提出的方法实现了材料行为在室温、低温和低温域之间的跨域泛化，解决了极端环境下实验数据的稀缺问题，同时降低了传统数据驱动模型对大规模数据集的依赖。通过学习从结论本研究开发了一个数据高效且知识引导的迁移学习框架，用于预测和解释低水胶比水泥基复合材料在室温、低温和低温域之间耦合的组成–温度–微观结构–性能演化。通过将组成–结构–性能知识从常规温度条件迁移到数据稀缺的低温环境，所提出的框架实现了准确的跨温度CRediT作者贡献声明Yuan Feng：撰写–审阅与编辑、方法论、调查研究、形式分析、概念构思。Lingyan Zhang：撰写–审阅与编辑、撰写–原稿撰写、方法论、调查研究、概念构思。Jian-Xin Lu：撰写–审阅与编辑、方法论、调查研究。Dingqiang Fan：撰写–审阅与编辑、验证、监督、资源、形式分析、概念构思。Siqi Ding：撰写–审阅与编辑、方法论。Lei Xu：撰写–审阅与编辑、Declaration of competing interest作者声明，他们没有已知的竞争性经济利益或个人关系可能影响本文所述工作。Acknowledgements作者感谢国家自然科学基金（52178249）、武汉知识创新工程–基础研究项目（2023010201010094）、广东省基础与应用基础研究基金（2024A1515030243）、武汉理工大学硅酸盐建筑材料国家重点实验室（SYSJJ2025-09）、湖北省科技厅科技计划项目（2022BAD011）的资助。Yuan Feng | Lingyan Zhang | Jian-Xin Lu | Dingqiang Fan | Siqi Ding | Lei Xu | Takafumi Noguchi | Xuesen Lv | Wenrong Wang | Rui Yu