Data-driven prediction and low-carbon optimization of limestone calcined clay cement compressive strength using CPO-XGBoost

混凝土是地球上应用最广泛的建筑材料，构成了我们城市、桥梁和道路的骨架。然而，制造将这些混凝土粘合在一起的水泥的过程是全球气候变化的主要贡献者之一，约占所有二氧化碳排放量的8%。该行业正面临着巨大的压力，必须寻找一种既能进行建设又不会加热地球的方法，这促使科学家们开始探索一种被称为“石灰石煅烧粘土水泥”的特定低碳胶凝材料。这种材料之所以具有前景，是因为它利用两种丰富的天然材料取代了大量传统的、高能耗的水泥成分：即经过相对低温煅烧的粘土和粉碎的石灰石。然而，创造出一种既足够强韧以支撑建筑，又足够低碳以保护环境的混合物是一个复杂的谜题。这种新水泥的强度并不取决于单一成分，而是取决于粘土、石灰石、剩余传统水泥以及少量石膏之间在材料硬化过程中随时间变化的微妙且非线性的相互作用。

几十年来，工程师们一直依赖简单的经验法则来设计这些混合物，但这些传统方法难以捕捉这种多组分系统中复杂的化学反应。它们往往无法准确预测改变一种成分的数量会对最终强度产生怎样的影响，导致制造出的混合物要么强度过低，要么碳排放过高。为了解决这个问题，来自兰州交通大学和卡迪夫大学的研究小组转向了一种不同的方法：他们让计算机通过研究一个全面的实验结果数据集来学习游戏规则。研究人员并没有将数据强行套入简单的公式，而是训练了一个复杂的机器学习模型，以识别这些成分如何相互作用的隐藏模式。研究人员使用了一种名为XGBoost的特定算法，这种算法非常擅长发现复杂的逻辑关系，并借鉴了冠毛猬（crested porcupine）防御策略的一种新型优化方法对其进行了微调。这种生物启发式的方法帮助计算机避免陷入局部最优解，从而能够探索广泛的可能性，以找到模型的最佳设置。

结果是一个高度精确的数字化工具，能够以卓越的精度预测石灰石煅烧粘土水泥的强度。在针对真实世界数据进行测试时，该模型在近94%的情况下都能正确预测结果，表现远优于其他标准的预测方法。更重要的是，该模型不仅仅是一个给出数值的“黑箱”；研究人员利用先进的分析技术来理解模型做出预测的具体原因。他们发现，水泥的强度不仅由传统水泥的使用量驱动，还深受水泥颗粒的比表面积以及添加石膏精确量的影响。分析表明，石膏起到了关键的化学调节作用：过少会导致反应不稳定，而过多则可能导致材料在后期发生膨胀和开裂。计算机识别出了混合物的“黄金比例”：一种包含40%至55%传统水泥、25%至35%煅烧粘土、15%至25%石灰石以及3%至5%石膏的配比。

在这些特定的范围内，研究人员发现该材料能在实现最大强度的同时，最大限度地减少其对环境的影响。通过将配方转向这些优化的比例，这种新水泥产生的二氧化碳比传统的普通硅酸盐水泥减少了41.9%至53.2%。这种减排意义重大，因为它源于生产过程本身，避开了标准水泥所需的高温焙烧过程。为了让这一发现对现场工程师产生实用价值，团队开发了一个简单的交互式软件系统，允许用户输入目标强度和养护时间，并立即获得优化的配合比设计。虽然该研究是在实验室样本上进行的，且需要针对真实的骨料和建筑条件进行进一步测试，但这项工作为建筑业提供了一条基于数据的稳健路径。它证明了通过将实验科学与智能数据分析相结合，可以设计出既更坚固又更清洁的建筑材料，为全球基础设施迈向更可持续的未来提供了切实的一步。