《Engineering Applications of Artificial Intelligence》：Artificial-intelligence-assisted inverse design of low-carbon concrete under carbonation constraints
编辑推荐：
本研究开发并测试了一种人工智能辅助的逆向设计工作流，用于辅助胶凝材料（SCMs）掺配混凝土，将人工智能应用于代理模型预测、不确定性量化、剂量效应解释和多目标候选生成。经Optuna调优的前馈神经网络在四个开放数据集上训练，并与分裂保形预测（split conf
本研究开发并测试了一种人工智能辅助的逆向设计工作流，用于辅助胶凝材料（SCMs）掺配混凝土，将人工智能应用于代理模型预测、不确定性量化、剂量效应解释和多目标候选生成。经Optuna调优的前馈神经网络在四个开放数据集上训练，并与分裂保形预测（split conformal prediction）、连续处理森林分析（continuous-treatment forest）和非支配多目标搜索相耦合。来源感知抗压强度模型的平均绝对误差为7.20 MPa，决定系数为0.687。在标准交叉验证下，隐含碳的平均绝对误差为2.41，决定系数为0.999，而碳化深度的平均绝对误差为2.56 mm，决定系数为0.847。泄漏审计表明，隐含碳的优异拟合很大程度上归因于混合料用量与碳目标之间近乎确定性的关系，尽管性能对来源分组敏感。连续处理再分析显示调整前存在显著不平衡且95%效应区间较宽，因此剂量结果被有条件地解释，而非作为普遍因果效应。三目标优化产生72个计算候选方案；其中16个（22.2%）原始碳化预测为负，被排除在代表性报告之外。一个物理非负的均衡候选方案预测强度为75.8 MPa、隐含碳为141.7、碳化深度为0.064 mm。适用域分析表明，没有任何优化候选方案位于所有保留终点的严格联合95%域内，强调所生成的混合料是供实验室验证的假设，而非可直接设计的处方。
**研究背景与问题**
混凝土配合比设计日益要求同时考虑结构性能、环境影响和耐久性。可持续水泥与下一代混凝土的综述同样强调，低碳胶凝材料必须与性能、实施约束和生命周期假设一并评估，而不能仅凭熟料替代率判断。辅助胶凝材料（SCMs），包括粉煤灰、矿渣和硅灰，可降低熟料需求和隐含碳，但其对强度和耐久性的影响取决于掺量、水胶比、养护、暴露条件和材料来源。这些耦合非线性关系推动了机器学习与人工智能在胶凝材料研究中用于强度、收缩、耐久性和耦合可持续性评估的日益增长的应用。
大多数已发表工作侧重于正向预测，尤其是抗压强度，而工程设计需要逆向问题：哪些物理上合理的混合料组合能在降低环境负担的同时提供可接受的性能？多目标研究已开始处理强度—碳、强度—成本及相关权衡。近期公式还将低碳优化与强度发展和碳化耐久性耦合，说明应将服役寿命约束与环境目标一并处理。然而，耐久性指标整合不够一致，不确定性、来源间迁移、适用域和优化解的可解释性往往被分开处理，而非作为一个可审计工作流的组成部分。更广泛的废弃物材料文献强化了区分预测精度与工程可迁移性的必要性。在废弃物改性土工材料和胶凝体系中已报道了高决定系数。邻近的关于水泥处理建筑拆除材料和再生骨料混凝土的实验研究表明，表观材料性能强烈依赖于加工历史、残余相和应用背景。此类研究在方法学上是相关的，因为它们说明数据驱动模型可能利用强的成分规律性，而这些规律性未必能跨来源不变地迁移。这一问题对隐含碳目标尤为重要，因为隐含碳可能接近组分用量和排放因子的确定性函数。
从人工智能工程应用的角度看，未解决的问题因此不仅是神经模型能否取得高预测分数，更具后果的问题是人工智能能否嵌入透明的工程决策流程，该流程能够：（i）在元数据允许时评估来源感知迁移；（ii）量化预测不确定性；（iii）区分预测性特征影响与条件处理效应解释；（iv）仅使用可辩护的终点搜索受约束的混合料空间；（v）报告生成候选方案的适用域局限性。本研究使用刻意缩减的三终点公式来填补这一空白：抗压强度、隐含碳和碳化深度。
**主要技术方法**
研究人员使用了四个不同的开放数据资源，各用于特定角色而非视为可互换观测。SCM数据集包含来自138篇出版物的1456个混合料，为抗压强度建模和剂量效应分析提供主要来源。BOxCrete包含来自两个来源组的533行，提供隐含碳目标。碳化资源包含830行，但不提供出版物级来源标识符。山东目录包含394个工厂目录行，仅用于定义现实搜索边界，而非作为带标签的性能数据集。数据集选择遵循三项实际标准：公开可获取的来源、与保留的结构—环境—耐久性框架直接相关的目标、以及足以映射到共同混合料空间的组分信息。在协调过程中，组分用量转换为共同数值字段；负值视为缺失；缺少给定模型所需终点的行从该终点分析中排除；仅在来源定义支持缺失时将不可用组分设为零；并一致地计算衍生胶凝材料含量、总SCM掺量、SCM替代率和胶水比。碳化数据集保留其额外的暴露和氧化物组成变量，因为这些与碳化预测物理相关。山东目录被选为优化变量中相同核心组分的连贯工厂级比例，因此作为实际边界参考，而非全球配料实践的普遍代表。这一地理局限性被明确带入优化候选方案的解释中。
预测代理模型方面，前馈神经网络在PyTorch中实现。输入经过标准化，响应在训练期间标准化。每个网络使用两个修正线性隐藏层并带dropout、Adam优化、早停和均方误差损失。超参数使用Optuna调优，采用树结构Parzen估计器采样器和平均绝对误差验证目标。在出版物/来源元数据足够丰富处，GroupKFold交叉验证防止同一出版物的行同时出现在训练和测试折中。这在SCM数据集上可行。BOxCrete仅包含两个来源组，碳化数据集缺乏出版物级分组；因此这些目标的主要神经结果使用普通五折交叉验证并附明确注意事项。隐含碳模型还接受了来源组诊断审计。
不确定性量化方面，使用分裂保形预测从校准残差构建边际预测区间。保形区间也已直接应用于混凝土碳化预测，为该应用领域提供了无分布不确定性沟通的相关先例。对于残差和实证分位数，新预测的区间为公式（1）。在逆向设计期间，可行性评估保守进行：强度的保形下界必须保持高于40 MPa，碳化深度的上界必须保持低于25 mm。相同区间用于报告代表性候选方案，而非仅显示点预测。
连续处理分析方面，SCM掺量作为连续处理使用econml.dml.CausalForestDML分析。对于结果、处理和观测协变量，目标量是在对结果和处理的干扰模型进行正交化后，对处理局部变化的条件边际响应。PyTorch神经网络用作干扰模型。森林使用400棵树、最小叶大小5、最大深度12、连续处理规格和随机种子42。对于主要再分析，使用bootstrap-of-little-bags推断获得条件边际效应的95%区间。对于粉煤灰—强度分析，处理为粉煤灰掺量，结果为抗压强度，测量混杂因素为其余混合料和衍生变量。对于粉煤灰—碳化分析，处理为粉煤灰掺量，结果为碳化深度，测量协变量包括水泥、水、水胶比、养护时间和湿度、温度、相对湿度、二氧化碳浓度、暴露时长和可用氧化物描述符。解释需要一致性、给定记录协变量的条件可交换性和足够的处理重叠。由于这些观察性假设无法从可用数据证明，手稿使用"条件处理效应"或"剂量效应"语言，而非断言普遍因果效应。增加了三项诊断：（i）按来源的处理重叠分布；（ii）调整前高处理和低处理区域之间的标准化均值差异，以及干扰建模后测量协变量与交叉拟合残差化处理之间的相关性；（iii）基于森林的95%效应区间。这些检查诊断测量混杂和重叠，但不构成对未测量混杂的正式反驳；因此因果主张被有意缓和。
三目标逆向设计与适用域方面，修订优化仅使用三个保留目标，公式（2）。候选变量使用山东目录和协调数据进行边界约束，附加可行性检查：胶凝材料250–650 kg/m3、水胶比0.20–0.75、SCM替代率0–0.70、水泥含量至少120 kg/m3。采用非支配排序遗传算法II风格搜索，种群72、20代。适用域通过每个优化候选方案到相应训练分布的标准化距离评估，并报告为每个保留终点的实证距离百分位数。仅当候选方案位于所有三个终点的第95百分位数或以下时，才被视为处于严格联合域内。该诊断刻意保守，用于区分计算可行性与证据支持。由于碳化深度不能为负，原始负预测在绘图或排序前被审计。优化模型本身不受物理约束；因此报告负输出的频率和最小值，修订手稿中的代表性混合料仅从原始碳化预测非负的候选方案中选择。这避免了将裁剪后的负输出呈现为物理上已解决的预测。
**研究结果**
**预测性能与验证注意事项**：来源感知强度代理模型达到平均绝对误差7.198 MPa和R2=0.687。隐含碳代理模型在标准五折交叉验证下达到平均绝对误差2.407和R2=0.9994，碳化模型达到2.561 mm和R2=0.8468。碳化结果与更广泛观察一致，即现代机器学习模型在暴露和混合料描述符可用时可捕捉非线性碳化趋势，尽管报告性能仍强烈依赖特征选择和验证设计。这些值取代了原始提交中的初步值，因为完整的审稿人再分析已端到端重新运行。验证制度的区别至关重要：强度跨出版物组评估，而主要隐含碳和碳化数字为普通折结果，因为合适的来源分组不可用或过于稀疏。
**隐含碳审计**：隐含碳的非常高普通折值被明确调查。没有预测变量名称直接复制目标，仅有一个重复特征向量与冲突目标值相关。简单线性模型在随机分割下达到R2=0.99998，在两个BOxCrete来源组分离时达到R2=0.9937。相比之下，随机森林模型从随机分割下的R2=0.9981降至相同来源组分割下的R2=?0.099。置换分析确定水泥含量为审计模型的主导预测变量，置换时R2平均减少1.83，而矿渣和粉煤灰贡献远小。这些结果表明异常随机折拟合并非由明显复制的目标列解释；相反，隐含碳在该数据集中几乎是混合料组成的确定性函数，而非线性模型迁移仍对双来源结构高度敏感。这一解释与先前隐含碳估算的机器学习工作兼容，其中清单结构和材料用量可创建高度可学习的映射，但并未消除生命周期假设或外部迁移中的不确定性。因此，R2=0.9994报告为数据集内预测拟合，而非普遍泛化证据。
**不确定性与适用域**：对于优化候选方案，保形区间近似半宽为强度21.84 MPa、隐含碳4.17单位、碳化深度4.64 mm。适用域审计更具限制性：72个优化候选方案中没有一个满足所有三个保留终点的联合第95百分位域标准。隐含碳距离百分位数对所有优化候选方案均为100，而强度百分位数范围约83.8至98.3，碳化百分位数95.8至99.4。因此，优化可用于假设生成，但候选方案相对于至少一个训练分布是外推的，不应呈现为已验证设计。这一保守解释与不确定性感知混凝土建模一致，其中区间估计旨在限定点预测，而非将外推预测转化为已验证工程证据。
**条件SCM剂量效应**：再分析实质性改变了因果解释的强度。调整前，高与低粉煤灰区域显示显著协变量不平衡：强度数据集的中位绝对标准化均值差异为0.564，碳化数据集为0.625。交叉拟合干扰残差化后，测量协变量与残差化处理之间的中位绝对相关性降至强度0.193和碳化0.072，尽管若干残余关联仍高于0.10。这表明测量平衡改善但未完全消除混杂。95%区间分析也支持谨慎解释。在所示剂量箱中，粉煤灰—强度和粉煤灰—碳化关系每个箱的中位效应区间均跨零。在个体混合料水平，1456个强度效应中333个和830个碳化效应中50个的区间排除零，显示异质性但非稳定的单调群体效应。因此，剂量效应组件保留为可解释性辅助，而非特定SCM掺量将在未观测混合料中引起固定响应的证据。
**特征影响与物理解释**：置换重要性分析提供主要驱动因素的预测性而非因果性视图。对于强度，水含量、水泥含量、水胶比和总胶凝材料是领先变量，与浆体组成和需水量在强度发展中的核心作用一致。对于隐含碳，SCM替代率、胶凝材料含量和水泥含量占主导，这与富熟料胶凝材料的碳强度物理一致。对于碳化深度，温度、暴露时长、二氧化碳浓度、氧化钙含量、水胶比和粉煤灰掺量影响最大。这些趋势提供物理合理性检查，同时说明为何纯黑箱精度讨论不足。综合计算研究同样强调强度、耐久性和环境指标响应不同但相互作用的材料描述符，支持终点特异性解释而非单一全局特征排序。
**三目标逆向设计**：修订优化完全排除氯离子渗透性和干燥收缩于目标评分。在物理碳化审计前生成72个非支配计算候选方案。其中16个（22.2%）原始碳化预测为负，最小值为?0.666 mm。这些值暴露了无约束代理模型的局限性而非物理结果。因此主Pareto图和候选比较仅使用原始碳化预测非负的候选方案；没有负值被静默转换为有利的零值设计。代表性候选方案报告于表3。候选A是低碳极端，当隐含碳为主要决策目标时相关。候选B是原始碳化预测非负混合料中均衡合意度最高的候选。候选C是同一物理可报告子集中强度最高的候选。候选B不支配候选A：其强度和碳化预测更有利，但隐含碳高15.1%（141.7对123.1）。因此，A对碳优先情景仍有意义，而B是更均衡的折衷。与DeRousseau等（2021）、Chen等（2025）相比，本工作流同样使用代理辅助多目标搜索，但在三方面不同：碳化被明确视为耐久性终点，保形区间进入可行性检查，优化候选方案报告适用域诊断。相关研究已将智能优化扩展到低碳钢筋混凝土设计和碳化耐久性与强度及碳目标直接耦合的公式。Yu等（2025）同样展示了非支配优化在智能混凝土配合比设计中的价值。然而，本结果更为保守，因为严格域审计表明数值最优性不保证证据支持。这一区别是修订贡献的核心。
**讨论与结论**
研究仍受异质公共数据和来源元数据不均的限制。仅强度数据集支持有意义的出版物组验证。BOxCrete包含两个来源组，碳化资源缺乏出版物标识符，因此优异的普通折隐含碳拟合和强碳化拟合不应自动外推到未见的实验室或区域。隐含碳的分组审计进一步表明模型类别和来源分割可实质性改变表观性能。连续处理分析为观察性。尽管增加了重叠、调整前平衡、残差化处理平衡和95%效应区间，这些诊断仅针对测量协变量。没有正式检验能从可用数据集确立未测量混杂的缺失。修订手稿因此避免将估计效应视为普遍因果律。优化空间也因组分边界部分锚定于山东配料厂目录而地理受限。更重要的是，72个优化候选方案中没有一个落在所有保留终点的严格联合95%适用域内。候选方案因此应视为计算假设。这一谨慎也与低碳和下一代混凝土的更广泛综述一致，这些综述将实施、材料变异性、耐久性验证和放大确定为有前景配方与常规实践之间的持续障碍。在任何工程使用前需要实验室配料、新拌状态检查、抗压强度测试和碳化测试。碳化代理模型不受物理约束，对72个优化候选方案中16个产生负原始值。这些候选方案被排除在代表性报告之外，但结果说明需要非负或机制约束模型。未来工作应研究单调/正输出架构、更丰富暴露元数据和混合物理—机器学习公式。经典经验关系仍是宝贵基准。强度通常与水胶比相关，碳化常以时间平方根型定律表示，隐含碳可通过组分清单因子计算。在当前BOxCrete审计中，简单线性组成模型已实现分组R2=0.9937，强调人工智能应通过增加的决策能力而非仅精度来证明合理性。未来实验活动应在共同外部测试集下直接比较神经工作流与校准的经验强度和碳化方程。优化混合料的可靠性评估，包括材料和模型不确定性传播到目标可靠性，是另一优先事项。
本研究评估了人工智能辅助低碳混凝土逆向设计工作流，同时明确测试了同行评审期间识别的若干弱点。主要发现为：来源感知抗压强度预测达到平均绝对误差7.198 MPa和R2=0.687。隐含碳和碳化达到普通折R2值0.9994和0.8468，但这些值不能直接与来源感知迁移比较。隐含碳审计未发现明显目标复制特征。线性模型保留分组R2=0.9937，而随机森林在双来源分割下降至R2=?0.099，表明近乎确定性的组成—碳关系结合显著来源敏感性。连续处理诊断揭示显著初始不平衡和宽95%效应区间。主要粉煤灰分析的每个剂量箱中位区间均跨零。剂量结果因此最好解释为异质性条件关联，用于解释而非固定普遍因果效应。修订逆向设计仅使用强度、隐含碳和碳化。72个计算候选方案中，16个（22.2%）原始碳化预测为负并被排除在代表性报告之外。一个均衡物理可报告候选方案预测强度75.77 MPa、隐含碳141.72和碳化深度0.064 mm。没有优化候选方案满足所有三个保留终点的严格联合第95百分位适用域标准。因此核心实践结论不是工作流已产生设计就绪混合料，而是已生成透明的、不确定性限定的假设，现在需要针对性实验。修订证据支持人工智能作为预测、不确定性、解释和逆向探索的有用集成层，同时表明模型诊断和工程域检查必须伴随优化。下一步是外部和实验验证，而非对当前候选方案的进一步数值排序。
