物理化学感知的机器学习加速绿色混凝土设计

《Journal of Building Engineering》：Physicochemical-aware machine learning-accelerated design of green concrete

　　

• •
  知识驱动的数据驱动方法在混凝土设计中实现了出色的泛化能力
• •
  图神经网络使混凝土生产中多种固体废弃物的资源化利用成为可能
• •
  知识图谱将混凝土领域特定知识嵌入机器学习模型
• •
  知识感知的图神经网络设计可持续超高性能混凝土
• •
  知识与数据的交互作用可解释物理化学机制并优化知识

引言

超高性能混凝土（UHPC）是一类先进的水泥基复合材料，以其高抗压强度（28天超过120 MPa）、自密实性能和卓越的耐久性而著称 [1]、[2]、[3]、[4]。这些优越性能主要归因于低水胶比、优化的颗粒堆积密度 [5]、[6]，以及战略性地使用化学外加剂和短切纤维来增强流变性、抗拉强度、断裂韧性和抗裂性 [7]、[8]、[9]。迄今为止，UHPC 已应用于多种结构工程，包括大跨度桥梁 [10] 和高层建筑 [11]。

尽管具有上述优势，UHPC 的应用仍局限于专门的基础设施项目，因为其高昂的材料成本和与使用波特兰水泥和钢纤维等昂贵或高碳足迹材料相关的高碳排放 [12]、[13]、[14]。为解决这一问题，研究人员通过大量实验室实验开发了掺加矿物掺合料（SCMs）的经济型UHPC [15]、[16]、[17]、[18]、[19]，显著降低了成本和碳排放，因为粉煤灰和矿渣等多种固体废弃物可作为SCMs或替代胶凝材料部分替代波特兰水泥 [20]、[21]、[22]。

然而，基于实验的设计方法效率低下，阻碍了具有不同物理和化学性质的各类固体废弃物的利用。根据ASTM标准 [23]、[24]，评估混凝土的抗压强度需要28天，而耐久性测试则需要超过六个月。由于通常需要多轮试错测试，设计一种新的UHPC配合比通常需要数年时间。在实验室中设计和验证包含新型固体废弃物的配合比是可行的，但往往在实践中难以实现。

数据驱动模型的近期进展为加速含废弃物UHPC的设计创造了新的机遇。Soroush等人 [25] 提出了一种预测-优化框架，能够在实现期望的抗压强度、材料成本和碳足迹的同时，高效设计掺加各种固体废弃物的UHPC。世界各地的学者也开发了类似的方法 [26]、[27]、[28]。这些方法涉及两个主要步骤：使用机器学习模型构建正向过程，建立设计变量与UHPC性能之间的关系；并使用优化算法通过反向过程识别最优设计变量，其中涉及目标UHPC性能和约束条件 [29]、[30]、[31]。与基于实验的方法相比，数据驱动方法通过训练机器学习模型将设计变量与UHPC性能相关联，而非进行实验，从而大幅节省时间和成本。

尽管取得了令人鼓舞的进展，现有的数据驱动方法因机器学习模型涉及超出训练数据的推断而缺乏泛化能力和用户信任，本质上将误差引入预测结果。为了在有限数据或未见材料场景下提高模型泛化能力，元学习 [32]、[33] 和零样本学习 [34]、[35] 等高级学习范式已被应用于材料和土木工程领域。元学习旨在提高模型在有限样本下适应新任务的能力，而零样本学习则寻求在无需特定任务训练数据的情况下对未见类别或领域进行预测。然而，这些方法在可持续UHPC设计中的应用仍然有限。利用固体废弃物涉及异质原料和复杂的物理化学反应。因此，仅提高迁移能力并不能保证对未见废弃物的可靠预测。此外，大多数现有实现并未显式编码水化反应、火山灰活性、颗粒堆积或微观结构演化，因此仍仅提供有限的机制可解释性。

为解决这一局限性，近期研究开发了知识引导的数据驱动方法，通过知识图谱 [36]、[37] 纳入UHPC知识。这些图谱显式表示物理和化学性质及其影响混凝土性能的潜在机制 [36]。知识图谱的使用使机器学习结果的解释成为可能，增强了透明度和信任。

然而，关于知识引导数据驱动方法的研究存在两个局限性：(1) 知识图谱和机器学习模型是分立的子系统。领域知识未嵌入机器学习模型中，机器学习模型的开发也未直接由知识图谱引导。(2) 机器学习模型仍存在泛化能力差的问题，无法分析包含未见废弃物的UHPC。这两个局限性削弱了知识引导数据驱动方法的应用。

为克服上述挑战，本文提出了一种新方法，通过知识感知的图神经网络（GNN）使数据驱动模型能够考虑未见废弃物，其结构由UHPC知识图谱启发。近期关于UHPC中GNN的研究侧重于损伤表征和残余强度预测，如基于声发射的损伤分析 [38]，而非配合比设计。本研究旨在将UHPC材料-机理知识赋予图学习过程，以提高掺加未见废弃物的UHPC材料的泛化能力和可解释性。所提出的方法已应用于包含GNN模型未见废弃物的UHPC设计。本研究解决以下问题：(1) 知识图谱中的定性见解如何指导GNN模型的配置？(2) GNN模型如何准确预测含未见材料的UHPC的抗压强度？(3) GNN模型如何准确识别和分类知识图谱中实体之间的关系？(4) UHPC知识的发现如何促进知识图谱的优化？(5) GNN模型如何有效设计绿色UHPC？

针对这些问题，研究目标为：(1) 设计由UHPC知识图谱引导的GNN架构；(2) 使GNN模型能够准确预测UHPC的抗压强度；(3) 使GNN模型能够准确分类知识图谱中的实体和关系；(4) 使用GNN模型优化知识图谱；以及 (5) 使GNN能够设计掺加固体废弃物的绿色UHPC。为实现这些目标，本文提出了一种知识图谱和生成GNN架构的方法，随后对GNN模型进行了全面评估，包括UHPC性能的定性预测、预测的定量解释、知识图谱优化以及UHPC设计。

主要贡献包括：(1) 提出了一种知识驱动的数据驱动方法，通过知识图谱和GNN的深度融合设计UHPC；(2) 开发了一种预测UHPC性能的GNN模型；(3) 开发了一种分类实体间关系的GNN模型；(4) 开发了一种使用GNN模型优化知识图谱的方法；以及 (5) 将GNN模型与多目标优化相结合设计绿色UHPC。本研究推进了数据驱动模型在UHPC设计和固体废弃物资源化利用方面的泛化能力、知识合规性和可信度。

本文其余部分组织如下：第2节介绍研究方法。第3节阐述并讨论研究结果和局限性。第4节总结研究发现和未来研究方向。

章节摘要

方法

方法部分分为四个小节，包括框架概述（第2.1节）、数据收集和GNN配置（第2.2节）、用于性能预测的机器学习模型（第2.3节）以及多目标设计优化（第2.4节）。

结果与讨论

结果部分从以下方面评估基于GNN的UHPC设计方法：(1) 单个和集成模型预测UHPC性能的准确性（第3.1节）；(2) GNN架构对预测准确性的影响（第3.2节）；(3) GNN模型在预测含未见固体废弃物UHPC性能方面的泛化能力（第3.3节）；(4) GNN模型定性和定量解释预测结果的能力（第3.4节）；(5) 该

结论

本文提出了一种知识驱动的数据驱动方法来预测和优化UHPC性能，旨在促进固体废弃物在UHPC生产中的资源化利用。所提出方法在回归和分类任务中的性能已通过实验结果进行评估。基于这些研究，得出以下结论：

• •
  UHPC知识图谱可以指导用于预测UHPC性能的GNN模型的配置。GNN

CRediT作者贡献声明

鲍毅（Yi Bao）： 撰写——审阅与编辑、可视化、验证、监督、软件、资源、项目管理、方法论、调查研究、形式化分析、概念化。徐昭灼（Zhaozhuo Xu）： 撰写——审阅与编辑、验证。孟伟娜（Weina Meng）： 撰写——审阅与编辑、资源、方法论、调查研究、资金获取、形式化分析、概念化。江展（Zhan Jiang）： 撰写——审阅与编辑、调查研究、数据管理。黄少义（Shaoyi Huang）： 撰写——审阅与编辑、验证，

利益冲突声明

? 作者声明以下可能被视为潜在利益冲突的财务利益/个人关系：Weina Meng 获得了美国国家科学基金会的资助。

致谢

本研究由美国国家科学基金会资助 [资助编号 CMMI-2046407]。

童新阳|江展|黄少义|徐昭灼|孟伟娜|鲍毅