基于生成式人工智能的低碳高延性工程水泥基复合材料自动化设计

《Engineering Applications of Artificial Intelligence》:Generative artificial intelligence for automation design of low-carbon high-ductility engineered cementitious composites

【字体: 大 中 小 】 时间:2026年08月30日 来源:Engineering Applications of Artificial Intelligence 9.0

编辑推荐:

   摘要 工程水泥基复合材料(ECC)中复杂的纤维-基体相互作用使得同时优化力学性能、成本和环境影响成为固有难题。传统设计方法依赖于经验试错,无法在高维参数空间中有效导航,通常需要大量的实验工作却往往只能获得次优解。为应对这些挑战,本研究开发了一种面向ECC设计的生成式人工智能框

  

摘要 工程水泥基复合材料(ECC)中复杂的纤维-基体相互作用使得同时优化力学性能、成本和环境影响成为固有难题。传统设计方法依赖于经验试错,无法在高维参数空间中有效导航,通常需要大量的实验工作却往往只能获得次优解。为应对这些挑战,本研究开发了一种面向ECC设计的生成式人工智能框架。该框架利用增强数据和自动化机器学习模型预测抗压强度、抗拉强度和极限拉伸应变的变化范围。随后,采用条件式表格生成对抗网络系统性地执行数据增强。本研究还开发了一种基于机器学习和深度学习的机器学习不确定度代理预测模型,构成了自适应多目标优化框架的核心。这些模型能够实现力学性能、碳足迹和成本的同步优化。优化后的设计展现出优异的力学性能,包括:抗压强度71.7–89.7 MPa,抗拉强度13.6–15.0 MPa,极限拉伸应变8.4%–12.6%。其碳排放量为每立方米147至216千克,远低于传统高碳水泥基材料(620千克/立方米)。在帕累托最优解中,第三种优化方案(Opt3)实现了每立方米399美元的材料成本。

引言 传统水泥基材料通常表现出低抗拉强度、有限韧性和不可控的裂纹扩展,这损害了结构的耐久性并增加了维护需求(Du等,2019;Restuccia和Ferro,2016;Li和Maalej,1996)。这种固有的脆性源于相对均质的微观结构,使得裂纹一旦萌生即可快速扩展,最终导致突然破坏(Zhang等,2026a)。材料复合是一种增强传统水泥基材料力学性能的有效策略,其中纤维增强被认为是最直接且最有效的手段(Ardanuy等,2015)。纤维通过三种主要机制改善材料性能:(1)通过桥接微裂纹和承受开裂后的拉伸应力来提供抗裂性和韧性;(2)通过增强作用提高抗拉和抗弯强度;(3)通过抑制裂纹萌生和扩展来提高耐久性,从而增强抗渗透性和抗冻融性(Dehkordi等,2025;Wang等,2026)。然而,尽管这些机制已得到确立,通过刻意操纵纤维几何形状和力学性能来优化结构性能的逆向设计方法仍未被探索,这限制了纤维增强在超越传统经验方法实现特定结构功能方面的潜力。

为解决水泥基材料的脆性、耐久性和可持续性挑战(Zhang等,2026b),Victor Li等人基于微观力学和断裂力学开发了工程水泥基复合材料(ECC),对纤维、水泥基基体和界面性能进行设计(Li,2003)。ECC有效缓解了传统混凝土抗拉强度低的固有缺陷,这与其高抗压强度形成鲜明对比(Li等,2024;Lao等,2023)。作为一种先进的纤维增强水泥基材料,ECC因其独特的应变硬化行为和优异的裂纹控制能力而备受关注(Yang等,2026a),能够在保持毫米级裂缝宽度的同时实现多裂扩展(Zhu等,2025;Ma等,2021)。这些特性在提升结构性能方面展现了巨大潜力,包括提高抗震性和抗爆性、增强耐久性,以及在修复和加固应用中的有效性(Zhang等,2019;Li,2012)。近期研究已利用ECC的独特变形能力和裂纹控制在复合结构系统中(Ji-Xiang等,2026)。在单调和循环压缩下,FRP约束ECC柱表现出显著提高的极限强度和应变(Li等,2022)。LRS FRP约束ECC圆柱体相较于约束普通混凝土展现出更优异的极限变形和能量耗散能力(Yuan等,2021)。在一种新型FRP-ECC-HSC复合柱中,ECC环将脆性高强混凝土芯的环向应力和应变传递至外部FRP管,提高了约束效率、环向应变均匀性、极限轴压应变和延性压缩行为(Li等,2025)。然而,ECC的宏观力学性能,如抗压强度、抗拉强度和极限拉伸应变,与其微观结构特征之间表现出高度复杂和非线性的相互作用(?ahmaran和Li,2009;Kan等,2023)。ECC的配合比涉及众多变量,包括水泥和矿物掺合料含量、纤维类型和长径比、纤维体积分数、水胶比、砂胶比和砂粒径。传统材料设计方法严重依赖经验积累和大量耗时的试错实验。这些方法不仅效率低下且成本高昂,还阻碍了系统性的权衡分析和包括抗压强度、抗拉强度和拉伸应变容量在内的多种力学性能的全球优化。因此,这一局限性已成为以性能为导向的ECC设计及其大规模工程应用的重要瓶颈(Yu等,2023)。

近年来,数据驱动的人工智能(AI)方法已成为应对这些复杂材料设计挑战的有前景的范式(Qing和Li,2024a;Guo等,2024)。机器学习(ML),特别是集成学习技术,在建立材料组成与性能之间的映射关系方面取得了显著进展(Yu等,2025a,2025b)。然而,ECC领域仍存在三大挑战。首先,获取足够的高质量实验数据困难重重,严重限制了模型的泛化能力和可靠性。其次,现有模型主要关注单个性能指标的预测,缺乏将高性能预测与多目标自动优化无缝集成的系统框架(Wang等,2024a;Hossain等,2018)。最后,利用微观力学模型预测给定配合比下水泥基复合材料的拉伸性能仍是一个重大挑战(Zhang等,2025a;Peng等,2025)。这些挑战主要源于纤维-基体界面特征等关键微观力学参数的较大实验变异性,以及复合材料性能对工艺变量的高度敏感性。因此,尽管微观力学理论为材料设计提供了宝贵指导,但其定量预测宏观力学性能(如极限拉伸应变或强度)的能力本质上仍然有限(Shi等,2018;Qing和Li,2024b)。数据增强算法可以通过从有限的实验数据生成具有物理意义的训练样本,有效提高模型的稳定性和可靠性,从而减少对昂贵实验测试的依赖。增强数据不依赖于复杂的微观力学计算,但与实验设计保持物理一致性,从而支持更稳健的数据驱动建模。

值得注意的是,在全球可持续倡议的背景下,将碳排放和成本等绿色指标与力学性能并列为明确的优化目标,对于ECC的统一智能设计和实际应用推进至关重要。该领域的研究仍处于早期阶段。例如,Khan等(2023)采用响应面方法进行实验设计,分析实现目标抗压强度、劈裂抗拉强度、抗弯强度、干密度和碳含量的最佳配合比,从而评估力学性能和碳足迹。Liu等(2025)通过整合MH-XGBoost和GEP技术,建立了稳健且可解释的预测框架,为工程应用中LC3-ECC配合比的实际优化提供了有价值的见解。尽管这些研究成功地将机器学习应用于ECC材料性能预测,但它们缺乏综合性的智能设计-预测-优化框架,且仍涉及较高的实验成本。基于实验数据的生成式AI驱动的预测与优化框架仍有相当大的进步空间。

ECC中复杂的纤维-基体相互作用使得同时优化力学性能、成本和环境影响成为固有难题。传统设计方法受限于对经验试错的依赖和在高维参数空间中导航的能力不足,通常需要大量的实验工作却往往只能获得次优解。这些局限性进一步受到三大关键挑战的加剧:(1)高质量实验数据稀缺,难以训练可靠的预测模型;(2)构建能够捕获非线性纤维-基体相互作用的准确预测模型困难;(3)缺乏能够直接瞄准期望性能包络并考虑复合材料固有随机不确定性的逆向设计框架。

为应对这些挑战,本研究提出了一种集成的数据驱动生成式AI框架,用于ECC的智能设计,旨在实现绿色指标与性能之间的平衡。所提框架的核心创新在于通过三个相互关联的组成部分克服上述局限性。首先,采用条件式生成对抗网络(CTGANs)从有限的数据集中进行智能数据增强,通过生成物理上合理的合成样本来有效解决数据稀缺问题,从而扩展实验数据库的代表性。其次,应用自动化机器学习(AutoML)原则构建高准确度的集成预测模型,以捕获控制ECC行为的复杂非线性关系,并通过元启发式算法实现超参数自动调优,从而最大化预测精度。第三,也是最关键的,所得集成模型被整合为AGE-MOEA-II多目标优化框架中的代理评估器,创建一个闭环的预测-优化系统,实现逆向设计探索。这种逆向设计范式将传统的正向预测工作流程转变为以目标为导向的优化框架,直接瞄准期望的力学性能包络(抗压强度、抗拉强度和极限拉伸应变),同时最小化碳足迹和材料成本,并明确考虑纤维-基体相互作用中固有的随机不确定性。随后开发了一个图形用户界面(GUI),为用户提供AI驱动的高性能ECC设计、预测和优化的集成实用工具。

AI驱动的设计框架 本研究开发了一种AI驱动的设计框架,基于材料组成参数预测ECC的性能,并促进以性能为导向的配合比设计。所提框架的工作流程包括五个主要阶段:(1)数据集构建,对具有显著不同配合比的ECC样品进行力学测试以表征其力学性能;(2)数据集预处理,采用合成数据算法来扩展数据集

实验材料 ECC制备中使用的主要原材料包括普通硅酸盐水泥(OPC)、粉煤灰(FA)、硅灰(SF)、粒化高炉矿渣粉(GGBS)、河砂、水、减水剂和聚乙烯(PE)纤维。胶凝材料的化学成分和粒径分布分别列于表2和图2中。使用粒径为0.212-0.30毫米、0.425-0.85毫米和0.85-1.18毫米的河砂。一种聚羧酸

数据输入与增强 从实验数据中计算了材料变量与力学性能之间的皮尔逊相关系数,如图6所示。皮尔逊相关系数在0.90至1.00之间表示变量之间存在强正相关或负相关。相关系数在0.50至0.70之间表示强关系,而低于0.25的值则表明变量之间的关系较弱。对于抗压强度(CS),水泥和硅灰呈正相关,

本研究的局限性 所提框架的预测精度和优化性能本质上取决于训练数据的领域范围。模型的开发和验证主要使用一个由掺加PE纤维和FA、SF等常见矿物掺合料的ECC配合比组成的数据库。对于采用根本不同的纤维类型(如PVA、PP)或新型矿物掺合料的系统,预测结果可能不可靠。同样,所探索的关键参数范围(如0.2至水胶比

结论 本研究提出了一种AI驱动的ECC设计框架。通过构建专用数据集并将基于回归的预测与多目标优化相结合,所提框架能够基于材料参数和配合比进行性能预测和自主配合比设计。该框架实现了力学性能、材料成本和可持续性目标的同步优化。其有效性通过实验测试得到验证,

CRediT作者贡献声明 吴仁杰:撰写——审阅与编辑,撰写——原始草稿,软件,方法学,经费获取。金和松:撰写——审阅与编辑。刘博洋:撰写——审阅与编辑。陈冰:撰写——审阅与编辑。夏金:撰写——审阅与编辑。夏勇:撰写——审阅与编辑,经费获取。范志红:撰写——审阅与编辑。朱明正:撰写——审阅与编辑,撰写——原始草稿,监督,数据整理。

黄波涛:撰写 – 审阅与编辑

利益冲突声明

作者声明,在发表本文的过程中不存在利益冲突。

致谢

作者感谢国家自然科学基金(U25A6016, 52608408, 52578331)、中央高校基本科研业务费(21626322)、中国博士后科学基金会博士后基金资助项目(资助编号:GZC20261786)以及香港理工大学杰出博士后研究员计划(P0053821)提供的资金支持。

吴仁杰 | 金赫松 | 刘博洋 | 陈冰 | 夏金 | 夏勇 | 范智洪 | 朱明正 | 黄波涛

暨南大学力学与建筑工程学院,广州 510632,中国
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号