⚡ electrical engineering

A physics-guided graph neural network for interpretable multiscale modelling of concrete properties

本文介绍了 HiCon-GNN，这是一种物理引导的图神经网络，它通过对混凝土的分级结构进行建模，在实现具有竞争力的多属性强度预测的同时，为多尺度材料行为提供具有可解释性且受物理正则化约束的见解。

原作者： Ye Li, Fangying Wang

发布于 2026-07-22

📖 1 分钟阅读☕ 轻松阅读

原作者： Ye Li, Fangying Wang

原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一下，你正试图仅通过观察一份配料表来预测一个蛋糕有多结实：面粉、糖、鸡蛋和泡打粉。大多数计算机程序尝试通过将蛋糕视为一堆巨大的、扁平的数字“汤”来进行预测。它们会说：“好吧，更多的糖通常意味着更甜，所以也许更强？”但现实生活并非一锅汤。蛋糕是一个分层的杰作。面糊（浆体）将碎屑（砂）结合在一起，而整个结构在烘焙后形成，其中碎屑与面糊之间的边缘便是薄弱环节。如果你忽略了这些层级，仅仅看配料表，你就会错过其中的奥秘。

这就是科学家在面对混凝土时面临的问题。混凝土不仅仅是水泥和石块的混合物；它是一个等级体系。它始于一种粘性的浆体，加入砂子变成砂浆，最后加入大石块变成最终的混凝土。岩石与砂浆接触的地方被称为“界面过渡带”（ITZ），这些地方通常是裂缝开始产生的薄弱环节。长期以来，试图预测混凝土强度的计算机程序一直忽略了这种分层现象，将这种材料视为一个扁平且杂乱的数值向量。但如果我们能教会计算机去观察这些层级，就像面包师观察蛋糕那样呢？这正是这项研究试图解决的核心问题：我们能否构建一个智能的计算机模型，理解混凝土的“洋葱式分层”，从而更好地预测其强度并解释其为何强韧？

由此诞生了 HiCon-GNN，这是由研究人员 Ye Li 和 Fangying Wang 设计的一种用于混凝土的全新“智能大脑”。请不要将这个模型仅仅视为一个简单的计算器，而要将其视为一位数字建筑师，在计算机内部建造一座微型的、隐形的混凝土城市。它不只是阅读一份配料表，而是构建一个“图”（graph）——一个由点和线组成的地图。这些点代表不同的部分（浆体、砂、石块），而线则代表它们是如何相互接触的。

令人兴奋的部分在于：这个模型是“物理引导”的。它不仅仅是在瞎猜，而是遵循混凝土实际运作的规则。它知道浆体是胶水，砂子使之变硬，而石块增加了体积但也创造了薄弱的边缘。该模型为每个层级都设有特殊的“子模型”。首先，它计算出浆体的强度；然后，利用该结果计算出砂浆的强度；最后，它观察石块如何嵌入砂浆中，并计算出整个混凝土块的强度。这就像是在建立一座知识塔：你无法在不知道地基强度的前提下，就得知顶层楼层的强度。

研究人员在拥有 13,170 条真实世界混凝土记录的大型数据库上训练了这位数字建筑师。这些记录是杂乱且不完整的——有些包含浆体数据，有些包含石块数据，有些包含养护温度，而且许多数据都是缺失的。但 HiCon-GNN 非常聪明；它拥有“掩码感知”（mask-aware）的眼睛，能够说：“啊，你没告诉我石块的大小？没关系，我会从其他线索中学习，”而不是直接丢弃这些数据。

结果令人印象深刻。在测试未见的全新混凝土配方时，HiCon-GNN 对抗压强度（即物体被压碎前能承受的重量）的预测准确度（ $R^2$ ）达到了 0.953，这在数值上是非常高的。它对抗拉强度（即拉开物体所需的难度）和抗折强度（即弯曲物体所需的难度）的预测得分分别为 0.887 和 0.926。与忽略层级的标准计算机模型（即“结构盲型”神经网络）相比，HiCon-GNN 将抗压误差降低了 19%，抗拉误差降低了 5%，抗折误差降低了 16%。

但真正的魔力不仅在于分数，还在于它赋予我们的“X射线视觉”。因为该模型构建了层级，所以它可以展示它认为内部正在发生什么。它揭示了浆体确实是最强的部分，砂浆因为砂子的存在而稍弱，而最终的混凝土因为岩石边缘的存在而最弱。它甚至估算了这些薄弱边缘（即 ITZ）的厚度，发现它们通常约为 10.83 微米 厚，并作为一个多孔的、脆弱的区域，成为裂缝最爱滋生的场所。

该模型还发现，对于超高性能混凝土（UHPC）这类通常不含大石块的高强度混凝土，其“薄弱边缘”的惩罚效应消失了，混凝土的强度几乎与砂浆强度一致。这完美符合现实世界的物理规律。

研究人员谨慎地指出，虽然这些内部数值（如估计的孔隙率或边缘厚度）在物理意义上非常合理且符合混凝土科学规则，但它们是模型生成的“假设”，而非显微镜下的直接测量值。它们就像是一位非常聪明的侦探根据所有线索对犯罪现场发生情况所做的理论推测。要百分之百确定，你仍然需要通过显微镜去观察。然而，由于模型的内部逻辑与我们已知的混凝土运作方式完美契合，这表明它确实已经学会了这种材料的“语言”。

简而言之，这篇论文表明，当我们教会计算机去观察混凝土的层级而非仅仅是配料时，它不仅仅是在更好地猜测数字，它开始理解材料背后的故事。它架起了原始数据与物理现实之间的桥梁，提供了一种工具，可以帮助工程师在无需在实验室中进行成千上上万次配比实验的情况下，设计出更强、更安全、更高效的混凝土。这是迈向未来的一步——在那个未来，我们可以在计算机上设计出完美的混凝土配方，并确切地知道浆体、砂和石块将如何翩翩起舞，共同支撑起我们的桥梁与建筑。

技术摘要：一种用于混凝土性能可解释多尺度建模的物理引导图神经网络

问题陈述
混凝土是一种分层复合材料，其宏观性能源于化学、微观结构和中观尺度过程的耦合。现有的预测混凝土性能的机器学习方法通常将材料表示为“扁平化”的混合物描述符向量。虽然这些扁平模型在训练分布内具有统计学上的有效性，但在力学上是不完整的：它们无法显式地表示浆体（paste）、砂浆（mortar）、界面过渡区（ITZ）以及骨料拓扑结构，也无法提供尺度解析的材料场。大多数领域内的物理信息方法通常将物理约束附加在单一输出或尺度上，从而忽略了混凝土固有的层级结构。因此，需要一种既能保留这种层级性和异质性，又能与数据驱动学习兼容的表示方法，以支持可解释的多属性预测。

方法论：HiCon-GNN
作者提出了 HiCon-GNN（层次化多尺度混凝土图神经网络），这是一种通过耦合代理图来镜像“浆体–砂浆–ITZ–混凝土”层级结构的物理引导架构。

图表示： 该模型利用两个基于混合物和颗粒尺寸描述符生成的耦合代表性体积单元（RVE）代理图：
- 砂浆尺度图： 通过接触边连接砂粒和浆体区域。
- 混凝土尺度图： 通过骨料–砂浆、砂浆–砂浆以及骨料–骨料边连接粗骨料和砂浆区域。骨料–砂浆边携带 ITZ 信息。
架构与流程： 信息通过四个耦合子模型按照材料组装的顺序进行流动：
1. 浆体子模型： 将胶凝材料化学、含水量和养护条件映射为浆体级属性，这些属性填充到砂浆图的浆体节点中。
2. 砂浆 SubGNN： 在砂粒–浆体图上执行消息传递，以预测砂浆属性，整合浆体状态和砂粒–浆体拓扑结构。
3. ITZ 子模型： 根据混合物和边缘几何形状，预测每个骨料–砂浆边的界面属性（厚度、孔隙率、强度、模量）。
4. 混凝土中观尺度 GNN： 在混凝土图上传播信息，以形成关于堆积、砂浆分布和 ITZ 连通性的全局表示。
物理引导机制：
- 掩码感知编码器（Mask-Aware Encoders）： 通过区分结构性缺失特征（如砂浆中的粗骨料）与缺失数据，利用学习到的嵌入来处理缺失值，从而保留不完整的文献记录。
- 软物理先验： 模型并非采用固定的经验系数，而是在损失函数中使用软正则化。这包括 Abrams 型水胶比（w/b）强度趋势、ITZ 薄弱环节行为（ITZ 强度 $\le$ 砂浆强度）以及跨属性一致性（抗拉/抗折强度 vs. 抗压强度）。
- 基于容量的输出头（Capacity-Based Heads）： 强度输出并非无约束的回归，而是源自一个共享的多尺度表示。预测的砂浆强度作为基础容量，并通过学习到的效率因子（ $\eta_{ITZ}$ ， $\eta_{matrix}$ ）进行修正，这些因子反映了界面质量和中观尺度拓扑结构的影响。
训练： 模型在 13,170 条记录上进行训练，使用加权多任务损失函数，结合了可用标签（混凝土、砂浆、浆体、ITZ）的有监督损失与物理正则化项。

核心贡献

层级化表示： 首次应用耦合图神经网络来显式编码浆体–砂ло砂浆–ITZ–混凝土的层级结构，允许将中间潜变量作为经过物理正则化的假设进行检查。
多属性预测： 一个单一的耦合框架，能够共同预测抗压、抗拉和抗折强度，在保持不同模式间一致性的同时，无需单独的模型。
通过潜变量实现的可解释性： 模型输出中间量（浆体/砂浆强度、孔隙率、ITZ 厚度/强度），这些量恢复了预期的物理层级（例如：浆体 > 砂浆 > 混凝土强度；孔隙率遵循反向层级：浆体 > 砂浆 > 混凝土；且 ITZ 孔隙率始终高于周围基体），提供了结构盲模型所不具备的内部一致性检查。
容量分解： 该框架将最终强度分解为基础砂浆容量和乘性效率因子，从而分离出界面弱化和中观尺度堆积的具体贡献。

结果
在 13,170 条异构数据的训练下，HiCon-GNN 表现出优于强力结构盲基准模型（表格 ANN、随机森林、梯度提升、SVM、决策树和 GEP）的竞争性能：

预测精度： 在留出测试集上，HiCon-GNN 实现了 0.953（抗压）、0.887（抗拉）和 0.926（抗折）的 $R^2$ 值。
误差降低： 与匹配的表格 ANN 相比，HiCon-GNN 分别降低了 19%（抗压）、5%（抗拉）和 16%（抗折）的 RMSE。虽然针对特定目标的集成模型（如随机森林）在单个目标上仍略显精确，但 HiCon-GNN 在单个模型中对所有三个输出均保持了接近专家的准确度。
稳定性： 在五次独立的随机数据划分中，性能保持稳定，抗压强度 $R^2$ 的波动仅为 $\pm 0.004$ 。
物理一致性：
- 模型正确恢复了强度层级：中值预测抗压强度从混凝土（48.75 MPa）增加到砂浆（59.24 MPa），再到浆体（96.97 MPa）。
- 孔隙率遵循反向层级（浆体 > 砂浆 > 混凝土），且 ITZ 孔隙率始终高于周围基体。
- ITZ 效率因子（ $\eta_{ITZ}$ ）与界面厚度强相关，证实了模型学习到了 ITZ 的“薄弱环节”行为。
- 抗拉和抗折预测符合经验参考趋势（CEB-FIP, fib MC2010, ACI），而无需强制遵循固定方程。

意义与主张
论文认为，HiCon-GNN 的主要价值不仅在于预测精度。通过将材料层级作为归纳偏置，该模型学习到了一种与混凝土力学一致的表示。

机理检查： 中间潜变量充当了“物理正则化的内部审计”。它们将学习到的表示转化为关于浆体孔隙率、ITZ 厚度和结合强度的可测试假设，这些假设可以根据未来的实验数据进行验证。
设计效用： 该框架为数据驱动的混凝土设计提供了一条路径，使其不再仅仅是一个“黑盒”预测器，而是一个结构化的代理模型。它指出砂浆强度是主要的参考尺度，而界面控制的削弱和中观尺度拓扑结构则是限制因素。
局限性与范围： 作者谦虚地指出，生成的 RVE 是拓扑代理而非实测微观结构，且潜变量是作为一致性检查而非校准后的测量值。在面对未见的化学成分或极端情况（如再生骨料）时，其泛化能力在缺乏更强先验的情况下仍存在不确定性。然而，该框架旨在可扩展，未来能够整合实测的微观结构图或与水化模型进行耦合。

总之，HiCon-GNN 证明了层次化、物理引导的图模型可以在实现竞争力的多属性预测的同时，揭示从胶凝材料化学到宏观强度的结构化、可解释路径，从而弥合了数据驱动的高效性与物理可解释性之间的鸿沟。

类似论文