面向智能建造：基于人工智能驱动的新拌混凝土流动行为自主监测

《Developments in the Built Environment》：Toward Intelligent Construction: AI-Driven Autonomous Monitoring of Fresh Concrete Flow Behaviour

　　

新拌混凝土流动行为的精确评估对于确保稳定性、力学性能和耐久性至关重要。流动行为支配着搅拌、泵送和浇筑等关键施工过程。虽然流变仪可提供精确测量，但其成本高昂、操作复杂且不适用于现场。因此，替代技术因能实现实时与现场监测而受到关注。这些方法通过捕获图像、声音、振动或功耗等可测信号来评估流动特征并跟踪搅拌过程。与流变仪相比，它们在速度、自动化和最小干扰方面具有优势。本综述批判性考察了这些新兴方法的原理、精度、技术成熟度(Technology Readiness Level, TRL)、适用性及局限性，并探讨未来方向。同时强调人工智能(AI)集成以增强数据处理与自动化，并考察多传感器融合、多源数据融合和大型语言模型等多模态策略以改进分析与决策。这些进展通过智能互联的混凝土生产系统支撑工业4.0愿景。

研究背景与问题提出

新拌混凝土表现为复杂的非牛顿流体，其流动行为主要由宾汉模型(Bingham model)中的屈服应力(yield stress)与塑性黏度(plastic viscosity)刻画，直接决定搅拌、泵送、浇筑效率及硬化后力学性能与耐久性。传统实验室流变仪（如Anton Paar MCR 302、BTRHEOM、ICAR rheometer）虽能直接量化流变参数，但成本高、操作复杂、对环境敏感，难以嵌入连续生产过程；标准工作性试验（坍落度、流动桌、V形漏斗）只能给出区间化经验指标，无法区分屈服应力相近但塑性黏度不同的配合比，且需中断搅拌取样，不支持实时闭环控制。面向3D打印混凝土、预拌混凝土运输途中的质量保持等场景，行业亟需一种非侵入、连续、可自动解释流动行为的监测体系。在此背景下，研究人员系统综述了基于功率、扭矩、机器视觉、声学、振动及三维重建等间接感知手段，并结合人工智能(AI)与多模态融合实现新拌混凝土流动行为自主监测的研究进展，论文发表于《Developments in the Built Environment》。

主要关键技术方法

研究人员以2000—2026年Google Scholar、ScienceDirect、Web of Science中（“fresh concrete” AND (“flow behaviour” OR “workability” OR “rheology”) AND (“artificial intelligence” OR “computer vision” OR “deep learning” OR “machine learning” OR “sensing technology” OR “sensor-based measurement” OR “mixing power” OR “image analysis”)）检索去重后65篇主文献及10篇补充技术报告/标准构成证据库；按“搅拌中在线监测—搅拌后先进监测”双阶段框架，对功率/扭矩/液压信号、相机视频、音频、振动加速度、激光深度点云、多视立体、加速度计止动时间等模态分别建立“信号特征—流变参数”映射，并以卷积神经网络(CNN)、长短期记忆网络(LSTM)、长时递归卷积网络(LRCN)、ResNet-50、VGG-16、YOLOv8、U-Net、多任务卷积神经网络(MTCNN)等深度学习模型及多传感器融合策略进行归纳比对。

研究结果

1. 2.
   定义与分类
   研究人员明确流动行为由屈服应力与塑性黏度主导，并将监测方法分为三类：常规离线搅拌后试验（流变仪、坍落度等）、搅拌中实时监测（功率/视觉/声/振）、先进搅拌后监测（3D扫描/深度相机）。指出间接信号虽非直接流变测量，但可通过AI建立非线性映射。
2. 3.
   搅拌中流动行为监测
   3.1 搅拌阻力测量：功率与扭矩
   研究人员引证Cazacliu和Roquet五阶段功率曲线模型，以“流动性点(fluidity point)”判定匀质性，Ngo等在40批工业拌合中用水误差±3.8 L/m³验证；Chopin等用功率曲线稳定段关联BTRHEOM测得的屈服应力与塑性黏度，证明搅拌机可作大尺度流变仪；Hayano和Kudo用功率载荷统计+时间变量经神经网络预测坍落度（±1.0 cm内>80%）与坍落流动度（±7.5 cm内>90%）。Torque方面，Rong等轴装扭矩传感器得P=Tω关系；Verifi商用系统以滚筒扭矩+转速+液压压力经机器学习标定slump并自动补水补剂；Amziane以搅拌车滚筒扭矩-转速反算屈服应力与塑性黏度，与ICAR相关>0.9。小结指出设备依赖性与系统专属标定是主要局限，AI可缓解但无法根除。
   3.2 计算机视觉方法
   从Juez等灰度直方图纹理指数识别团聚点/流动性点，到Ding和An以刀片上下边界距线性估自密实混凝土slump flow（误<5%），再到Hayano和Kudo的CNN对slump预测>90%。视频层面，Guo等用LRCN（CNN+LSTM）对手机拍摄砂浆混合视频分五段黏度区间分类准确>99%，单帧推断<1 s；Yang等CNN-LSTM对slump/slump flow误大多<10%；Guo等另用ResNet-50+LSTM从视频预测扭矩达测试R²=0.936、推断<60 ms，证明视频可替代物理扭矩传感器。
   3.3 音频方法
   Wilenius等在搅拌厂以48 kHz录音+带通滤波得35维向量，聚类出干混、加水、匀化、过混等9类声纹，可早期 fault detection。
   3.4 振动信号
   研究人员总结振动幅值/频谱随黏度升高而增强，96 kHz采集经FFT与统计特征提取后入时序深度学习，可反映匀化异常与叶片磨损前兆。
3. 4.
   搅拌后监测方法
   4.1 基于图像方法
   Coenen等从卸料明渠流视频建时空流场(spatio-temporal flow fields)入MTCNN，同时回归slump flow直径、屈服应力、塑性黏度（均误~6%）；Meyer等融合深度图+光流+配合比参数+CNN得slump flow误6.86%、屈服应力误25.30%、塑性黏度误24.23%。Idrees等VGG-16对料斗卸料视频分四类slump平均精度85%/F1 87%；Akbotina等YOLOv8分割泌水离析精度94.6%；Schack等用区域生长+凸包+U-Net层级分割流动桌展开面，像素级提流动直径与边缘浆体分离，千图验证。
   4.2 三维重建
   Yoon等用Intel RealSense L515点云提直径/高/曲率入神经网络预测屈服应力/塑性黏度/泌水（误~10.3%）；Kim和Park以Kinect建4D slump图像自动提T₅₀；White和Lees以Artec Leo扫slump未屈服区高度，按von Mises准则与ICAR屈服应力R²=0.998、均误5%；多视立体(Multi-View Stereo)经Agisoft Metashape重建slump cake点云识中心骨料团聚；Tuan等Mask R-CNN分类True/Shear/Collapse准确>93.5%。
   4.3 加速度计
   研究人员将无线加速度计(x-IMU3, 400 Hz)置于slump试体，捕止动时间t_c（0.5—2.5 s），结合3D扫未屈服区高算屈服应力，经量纲分析半经验式算塑性黏度，与流变仪差~10%（±0.6 Pa·s）。
4. 5.
   优势与挑战（讨论与结论翻译）
   研究人员结论指出：功率/扭矩/液压压力提供连续机械响应但受设备几何与转速批次量干扰，迁移需重标定；视觉/视频捕获时空动态最优但数据集依赖强；音频振动为非接触辅助模态；3D重建提升客观性仍属离线。AI价值在于从多模态信号自动提特征并建立非线性映射，但泛化上限由训练数据多样性决定。多模态融合（扭矩+图像、3D+加速度计、LLM/视觉语言模型介入）是通向工业4.0下智能互联混凝土生产系统的核心路径。该研究的意义在于为现场连续、非侵入、可解释的流动行为自主监测提供了分类学框架与证据边界，明确“物理传感器间接化+AI解释”而非“取代流变仪”的中期技术路线。