用于粉煤灰地聚合物混凝土多参数强度预测与决策支持的数据驱动人工神经网络框架

《Advances in Engineering Software》：A data-driven artificial neural network framework for multi-parameter strength prediction and decision support in fly ash geopolymer concrete

　　

•超过560种FA-GPC配合比设计的数据库支持数据驱动的强度建模。
•多参数ANN框架整合了成分相关和养护相关变量。
•ANN模型在训练集和验证集上分别实现了R2=0.86/0.76和RMSE=7.07/9.09 MPa。
•H?O/Al?O?被确定为最具影响力的参数。

**引言**

每生产一吨普通硅酸盐水泥（OPC），会产生约0.6-1吨CO?，这取决于所采用的生产方法[1]。该排放量相当于全球CO?总排放量的5-9%[2]，并以温室气体（GHG）的形式对地球造成持续的环境威胁[3]。这是因为随着北极和南极地区极地冰盖融化，温室气体排放量不断增加[4]。预计水泥需求到2050年将是目前的四倍，据报道2019年需求增长了12%[5]。在此背景下，混凝土建筑行业据报道是温室气体排放最大的行业，占全球排放量的显著50%份额[6]。2018年，中国被记录为全球领先的水泥生产国，生产了24亿吨水泥，几乎等于全球需求量的一半。与此同时，印度的产量仅为2.9亿吨[7]。气候变化的一大促成因素就是这些温室气体排放。近期研究聚焦于气候变化的成因——无论是自然的还是人为的——其对生存环境的影响，以及减缓和适应策略[8,9]。利用粉煤灰（FA）等工业废料是一种策略，既消除了与各部门废弃物处置相关的风险，又显著减少了普通硅酸盐水泥（OPC）的使用[10]。

燃煤的副产物是由发电厂锅炉随烟气排出的细小颗粒，被称为粉煤灰（FA），也称为"粉状燃料灰"[11]。在一些国家，粉煤灰似乎比普通硅酸盐水泥（OPC）更便宜；在某些情况下，普通硅酸盐水泥的价格是粉煤灰的两倍以上[11,12]。温室气体排放减少、能源和水消耗降低以及填埋空间的节约表明，粉煤灰对环境的贡献是有效和积极的[13,14]。此外，粉煤灰的使用可以减少普通硅酸盐水泥的生产，这意味着每使用一吨粉煤灰就能消除一吨CO?排放。使用一整年的粉煤灰生产混凝土，相当于减少全球汽车CO?排放量的25%[15]。粉煤灰最近作为替代材料在制造地聚合物方面广受欢迎，地聚合物是一种新型水泥或胶凝材料，具有与硅酸盐水泥类似的性能、外观和其他特性[14]。粉煤灰颗粒的微小尺寸增强了地聚合物混凝土的渗透性，并提高了其抗冻性和密度[16]。

追溯至罗马帝国，地聚合物材料最早在古罗马历史中被使用。图1展示了罗马帝国时期地聚合物混凝土（GPC）的生产过程。在水泥发明之前，大多数历史性的罗马建筑结构都使用石灰岩建造[16,17]。近年来，各种研究指导了关于不同碱激发剂百分比的粉煤灰地聚合物混凝土（FA-GPC）开发的相关研究。学者Hardjito等[18]研究了FA-GPC在8-14M不同摩尔比下的行为。在水与地聚合物固体的比率为0.18时获得最高强度，所有试样的抗压强度在30-80MPa之间。该学者得出结论，一旦在高温下养护24小时后测试地聚合物混凝土，其抗压强度不再随龄期改变。同样，Verma和Dev[19]研究了FA-矿渣基GPC在不同NaOH浓度（8-16 M）和Na?SiO?/NaOH比（0.5-3.0）下的力学性能。最佳性能在14 M NaOH和Na?SiO?/NaOH比为2.5时获得，且烘干养护试样的强度大于环境养护试样的强度。Fernandez-Jimenez等[20]生产了一种在85°C下养护20小时、液固比为0.55、抗压强度（CS）为45MPa的FA-GPC。该学者解释说，充足的反应产物形成、骨料浆体和孔隙之间的良好结合以及致密的微观结构是高早期强度的主要因素。同样，Verma和Dev[21]研究了液胶比（LBR）在0.40-0.70之间和养护温度在60-120°C之间的GPC工程性能。最佳工程性能在LBR为0.60时获得，且强度和弹性模量随着温度升至T=100°C而增加，之后下降。学者Olivia和Nikraz[22]对不同养护温度（即60-75°C）下的FA-GPC进行了实验研究，28天抗压强度为55MPa。结果表明，与普通硅酸盐水泥相比，地聚合物混凝土硬化混合物的弹性模量低15-29%，但抗拉和抗折性能更强，且膨胀更少。Xie和Li（2014）[23]通过伴随的压缩试验证实了这一发现。与普通硅酸盐水泥混凝土类似，地聚合物混凝土的抗压强度直接受水胶比影响。Verma和Dev[24]研究了不同养护条件下不同粉煤灰/GGBFS比例下GPC的力学性能。学者们发现，当矿渣含量超过25%时，地聚合物混凝土的力学强度略有降低。

根据Vora和Dave（2013）[25]，与普通硅酸盐水泥混凝土类似，增加水与粉煤灰的比率会降低地聚合物混凝土的强度，这包括碱性溶液中的水和额外添加的水。Aliabdo等（2016b）[26]报告了类似的结果。Nikoloutsopoulos等[27]通过测试三种不同的基于粉煤灰的地聚合物混凝土混合物与三种合适的普通硅酸盐混凝土（PCC）来研究FA-GPC。结果表明，地聚合物混凝土的弹性模量比普通硅酸盐混凝土低50%，但抗压强度比普通硅酸盐混凝土更具竞争力。此外，即使在同一强度水平下，也发现地聚合物混凝土和普通硅酸盐混凝土的超声波脉冲速度（UPV）存在显著差异。胶凝材料（粉煤灰）与骨料的比例显著影响地聚合物混凝土的特性。Verma等[28]研究了搅拌和养护时间对地聚合物混凝土新拌、力学、物理和非破坏性性能的影响。随着搅拌时间的增加，强度发展、弹性模量、回弹强度和UPV增加，而工作性和干燥收缩减少。研究得出结论，24小时是最佳烘干养护时间，进一步延长养护时间会导致力学性能下降。B. Singh等[29]总结指出，微结构的形成发展和地聚合物内部凝胶的形成直接受激发剂介导的影响，激发剂在调节地聚合物混凝土的力学行为方面起着至关重要的作用。Hu等（2018）[30]证明，碱性溶液浓度的升高直接增强了固体成分的比例，这显著影响了聚合过程并提高了抗压强度。另一位学者Hardjito（2005）[31]研究了不同摩尔浓度对FA-GPC抗压强度行为的影响。他们的结果表明，在SS/SH比为0.4时抗压强度上升176%，在SS/SH比为0.25时下降19%，而摩尔浓度从8-14M升高。此外，Chithambaram等（2018）[32]揭示NaOH摩尔浓度影响FA-GPC抗压强度，在12M时达到峰值，并在不同温度下降低。

机器学习（ML）技术，包括人工神经网络（ANN），越来越多地被应用于解决土木工程中的复杂问题[33]。为了深入评估独立参数（例如混凝土配合比设计）对依赖参数（例如抗压强度CS）的行为，许多研究利用ANN获得更好的能力和优化。例如，Siddique等[34]应用ANN来预测底灰自密实混凝土的抗压强度；同样，Gupta[35]预测了混凝土抗压强度，模型结果与实验值和预测值显著一致。此外，Dantas等[36]利用ANN估计建筑和拆除废料混凝土的抗压强度。de-Pardo-Gil等[37]利用ANN预测与自密实再生骨料混凝土抗压强度相关的数据。Ansari等[38]通过开发ANN技术估计基于纳米钛材料的新混凝土复合材料的抗压强度。最近，Kumar等[39]考虑了通过八个独立参数辅助稳定土的非限制行为，并成功通过ANN预测了实验数据的无侧限抗压强度。Ali等[40]使用ANN和多元线性回归（MLR）技术预测路面状况指数，结果表明ANN技术的结果比MLR更精确且误差可忽略不计。Verma[41]提出并训练了ANN和GPR模型，基于配合比和养护参数预测28天地聚合物混凝土的抗压强度。ANN模型相比GPR模型具有更好的预测精度。Kazemi等[42]有效地估计了含有废料铸造砂的可持续混凝土的抗压强度。研究人员发现，ANN方法的输出对于预测抗压强度性能比传统回归模型更准确和可靠，且误差最小[43,44]。Ansari等[45]基于高炉矿渣预测补充水泥材料混凝土的抗压强度，结果表明在所有机器学习算法中，ANN被认为是预测任意龄期基于矿渣混凝土抗压强度的最佳算法。

人工智能/机器学习的最新进展使能够开发用于材料设计的数据驱动决策支持工具，其中可以同时评估多个交互参数[46]。在地聚合物混凝土中，成分、化学和养护变量的耦合影响需要超越单参数或经验公式的集成建模方法。然而，现有的预测研究通常缺乏统一框架，无法支持参数交互的系统探索以进行设计导向的决策。这促使开发一种多属性、数据驱动的框架，以辅助可靠高效的FA-GPC配合比设计。

本研究利用比先前研究更广泛的数据库，涵盖所有已发表的研究，构建了一个综合的数据驱动人工神经网络（ANN）框架。该数据库包含563种FA-GPC配合比设计。该模型使用了14个代表性变量，这些变量被分为四个具有物理可解释性的分组。这些分组包括：配合比比例、摩尔配方比、化学组成和养护条件。该框架允许研究上述分组的联合效应对FA-GPC混合物抗压强度的影响。除了预测强度外，该框架还旨在作为FA-GPC混合物初始设计和评估阶段的辅助工具，为此开发了一个初步模型。

**章节片段**

**人工神经网络背景**

人工神经网络由三层组成：输入层、隐藏层和输出层。每层都有处理数据的神经元，模拟生物神经网络的功能[47]。ANN的连接强度由神经网络权重向量决定。神经元执行两个主要任务：根据其权重对输入求和（式1）以及将结果应用非线性sigmoid函数（式2）[48]。常用的传递函数包括阈值函数、sigmoid函数和高斯函数，而

**方法论**

本节描述了通过ANN预测模型预测和评估FA-GPC抗压强度的方法。图2显示了分四个部分提出的方法。首先，通过文献综述完成了数据点的收集、参数的整理和统计分析。其次，将收集的数据点分为训练集和验证集以开发ANN模型。第三，定义性能准则用于选择的

**ANN模型参数的整理**

机器学习模型的精确度和有效性直接与模型参数的整理（输入和输出）成正比。具体而言，输入参数显著影响输出参数的准确性并降低机器学习模型的计算成本[61]。在广泛的文献综述过程中，本研究检测到27个不同的输入参数用于与基于粉煤灰的地聚合物混凝土研究相关的各种机器学习模型。对这些输入参数及其详细分解的

**模型的统计性能**

在机器学习中，ANN模型被指定为监督学习方法，并已显示出实际混凝土强度与预测强度之间的显著相关性。

实验数据点被划分为训练阶段和验证阶段，以准确反映和解释所考虑的参数。估计参数和模型性能列于下表（表 4）中。SSE 表示预测误差平方和。上表报告了 R2。

结论
本研究开发了一种数据驱动的人工神经网络（ANN）模型，用于预测 FA-GPC 的 28 天抗压强度，通过整合混合比例、摩尔配比、化学成分和养护条件中的十四个控制参数。提出的模型展示了强大的预测能力，达到了高相关系数和可接受的误差水平，确认了其在捕获控制强度发展的复杂相互作用方面的鲁棒性。

建议与局限
后续调查是必要的，以识别与 GPC 属性相关的更具体的数据点和影响参数，如机械性能、化学性能、耐久性、应力 - 应变响应、粉煤灰比表面积和粒径以及工作性等等，以更好地了解 FA-GPC 的行为。如果能够实现预测准确性的提高，开发不同的 AI/ML 方法（包括混合模型）和数值方法（如 ANFIS）也具有重要意义。

CRediT 作者贡献声明
Muhammad Usman Siddiq：数据整理、方法学、资源。Muhammad Ahmed Qurashi：写作 - 初稿、监督、概念化、形式分析、资源。Jahanzeb Javed：可视化、验证、写作 - 审阅与编辑。Muhammad Kashif Anwar：写作 - 审阅与编辑、软件、调查、方法学。
Muhammad Usman Siddiq|Muhammad Ahmed Qurashi|Jahanzeb Javed|Muhammad Kashif Anwar