2026年 03期
探索水泥基材料基因本源，AI赋能材料设计新范式
刘加平;元强;胡张莉;叶家元;<正>传统的基于经验和实验的“试错法”依然是材料的主要研发模式，存在研发效率低、效果差、周期长、成本高的缺点。借鉴“人类基因组”的研究理念，2011年美国政府启动了“材料基因组”计划，材料基因工程融合了材料科学、物理、化学、数学、信息科学、先进制造、大数据和人工智能等不同学科，是以人工智能和大数据为基础的新兴研究领域。通过跨学科、跨领域和跨技术的深度融合，突破传统材料学科发展的局限性，显著拓展了材料科学与工程技术的内涵。近年来，全球各国政府和企业加大了材料基因组研究的资助力度，在相关领域科研人员的努力下，金属和高分子等材料在基因组工程方面取得了重要进展，已成为材料科学最重要的前沿热点领域之一。
基于多目标靶向性能的超高韧性地聚物复合材料智能化设计
郭孟环;谢咏菲;周英武;程铸昕;周俊豪;为提升超高韧性地聚物复合材料(EGC)配合比设计效率，降低试错成本，本工作构建了基于机器学习的EGC性能“预测—优化—反馈”闭环智能设计框架。首先，选取矿粉掺量、粉煤灰掺量、碱激发剂模数等11个变量作为输入参数，选定抗压强度、抗拉强度、拉伸应变率为目标性能参数，采用可逆神经网络等5类模型进行正向预测，预测精度高达0.99。其次，引入SHAP可解释性机制，量化解析关键配比参数对EGC性能的影响机制及贡献度。最后，融合CatBoost与NSGA-Ⅲ算法实现多目标性能优化与最优平衡解自动搜索，并通过开展试验研究，验证了所建智能设计框架的准确性与可行性。本工作提出的EGC智能设计框架解决了材料设计中难以避免的高强与高韧权衡问题，突破了传统EGC设计中的“黑匣子操作”与“经验驱动”局限，推动材料设计向智能化、精准化方向发展。
基于条件生成对抗网络与马尔可夫链蒙特卡洛双驱动的超高性能混凝土数据增强及智能预测方法
余睿;李旺;范定强;随着建筑行业智能化转型，人工智能在混凝土材料研发与应用中备受关注，但超高性能混凝土(UHPC)存在数据库质量不稳定、数据量过小的问题，现有数据增强方法难以处理其高维异构数据，严重制约了UHPC的智能化发展。对此，本工作构建了基于条件生成对抗网络(CGAN)与马尔可夫链蒙特卡洛(MCMC)算法协同驱动的UHPC数据增强模型：首先对原始数据进行预处理，然后借助CGAN算法生成虚拟样本，并基于MCMC模型进行统计修正，最后采用贝叶斯优化的XGBoost模型验证智能预测准确性与可靠性。结果表明，增强后训练集规模可扩至1500组，增强数据与原始数据分布高度一致，平均Jensen Shannon距离<0.05,Kolmogorov-Smirnov检验证明分布具有高度同源性。采用增强数据模型后，XGBoost模型的各评估指标均证明了预测精度的显著提升，其中3 d累计水化放热量、中值孔径、抗压强度、抗折强度及工作性能的测试集的R2分别提升了62%、55%、18%、46%和35%。最后，基于实际工程数据的模型验证结果表明，建立的模型可用于工程材料性能预测(R2=0.92)，证明了该方法的显著可靠性和泛化能力。研究成果为解决UHPC数据库难题提供了新思路，对推动建材行业转型升级和促进智能建造发展具有显著价值。
基于生成式优化算法的多流态场景修补砂浆配合比优化设计
李琴飞;张波;郭翔宇;王琳;李长姣;侯鹏坤;陈衡;程新;杨波;混凝土结构在服役过程中易受环境与荷载作用而产生损伤，亟须开发与应用高性能修补材料。然而，不同施工场景对修补材料的流变性、工作性和力学性能等存在差异化需求，传统配合比优化方法难以兼顾不同流态场景的实际性能需求并实现高效优化。围绕有机改性贝利特硫铝酸盐水泥砂浆体系，提出一种基于变分自编码器的生成式优化算法(VAE-GOA)来解决该挑战。以流动度作为场景约束，以7 d抗压、7 d抗折与7 d黏结强度构建加权综合性能作为评估指标，VAE-GOA利用“多场景锦标赛选择—自适应全局探索—高低流态协同迭代”的优化流程，直接在全局配合比空间中估计并聚焦高性能解的概率分布，同时兼顾探索有潜力的区域以避免陷入局部最优区域。结果表明：VAE-GOA结合全局探索策略和多轮迭代技术可有效提高发现高潜力配合比的能力，使高流态砂浆综合性能提升约20%，低流态提升则超过25%；同时识别出不同流态下的最佳配合比范围，为不同流态场景提供多样化的配合比选择。
基于扩散生成模型的高延性水泥基复合材料三维渗流通道智能推演与渗流行为预测
鲁聪;郝哲昕;庞志明;高延性水泥基复合材料(ECC)的裂后渗流行为对其安全服役及耐久性至关重要，但传统方法难以进行原位渗流评估。本工作在基于计算机视觉的“表面裂纹–内部裂隙”表征基础上，提出了一种基于扩散生成模型的三维渗流通道智能推演方法，并结合格子玻尔兹曼法对推演所得裂隙进行了渗流模拟，验证了其在渗透性能预测方面的有效性。结果表明：推演裂隙在裂隙几何参数(曲折度、粗糙度、平均宽度)方面与CT得到的真实裂隙差别小于5%，水力隙宽与几何缝宽比值误差小于9%，为裂后ECC结构的抗渗性能原位评估提供了新途径，对土木工程材料的耐久性设计具有指导意义。
基于多目标寻优的低碳混凝土智能设计
元强;夏瑞;刘易;马嘉璐;本工作基于人工智能(AI)的低碳混凝土性能预测与配合比优化设计方法。建立了低碳混凝土数据集处理模块，采用归一化处理和基于密度的空间聚类算法(DBSCAN)显著提升了数据质量。建立了粒子群优化算法(PSO)优化的极限梯度提升(XGB)模型，实现了低碳混凝土抗压强度和电通量的准确预测。为实现低碳混凝土性能与碳排放的最优平衡，引入了碳强度指标(Ci)和抗氯离子渗透碳效指标(Qi)并建立了相关预测优化模型，并通过沙普利加性解释方法(SHAP)分析讨论了各组分的影响机制。最后，采用第三代非支配排序遗传算法(NSGA-Ⅲ)进行了碳排放、经济成本、力学性能与耐久性能间的协调寻优，在工程性能与环境影响中寻找最优平衡，确定了针对不同设计需求的最佳配比。研究发现，在满足力学性能要求(抗压强度>50 MPa)和抗氯离子渗透性(电通量<500 C)的前提下，通过优化再生骨料和辅助胶凝材料掺量，可将碳排放控制在240～260 kg/m3范围内。该研究为低碳混凝土材料性能和碳排放之间的平衡设计提供了新思路和方法，推动了AI技术在低碳混凝土配合比设计中的应用。
基于混合反向传播神经网络的双输出预测模型构建
王琰帅;万承鹏;董必钦;王鹏辉;实现碱激发混凝土多种性能的同步准确预测是其广泛应用的重要条件。对此，提出了一种基于混合反向传播神经网络的双输出模型构建方法，以碱激发混凝土的28 d抗压强度和坍落度双参数预测为例进行阐述。通过元启发式优化算法(包括蚁群优化算法、遗传算法、灰狼优化算法和鲸鱼优化算法)对神经网络模型的初始权重和阈值进行优化，构建了包含前驱体成分、激发剂成分、骨料、养护条件和外加剂等11个输入变量的双输出模型。结果表明：4种算法优化后的混合神经网络模型在训练过程中均能实现对碱激发混凝土双性能的高精度预测。其中，蚁群优化–神经网络(ACO–BPNN)模型在性能评估时表现出最高预测精度，抗压强度和坍落度的R2分别达到0.932和0.929。特征重要性分析显示，矿渣粉含量和粗骨料与细骨料质量比分别是对抗压强度和坍落度影响最大的因素。基于主成分分析的综合得分计算进一步从数据库中筛选出兼顾高抗压强度和高坍落度的配合比。本工作为双输出模型构建提供了新思路，尤其适用于碱激发混凝土的多性能同步预测场景。
AI赋能的混凝土材料基因数据库智能设计及应用
刘楚瑶;罗梓轩;杨柳;胡金其;刘赞群;张增起;杨文萃;徐慧宁;陈梦妮;针对混凝土数据多源、异构、多尺度的特点，本工作面向材料数据管理、基因智能分析到材料智能研发的典型任务，建立一套AI赋能的混凝土材料基因数据库智能设计框架，框架以标准化的混凝土材料基因关系型数据库与图数据库为数据存储基础，设计分层密度聚类算法提取对混凝土材料典型性能产生重要影响的基因组结构。利用机器学习正向设计混凝土材料典型性能预测方法，R2相较其他机器学习模型提升约4%，实现了从特征选择、模型预测到贡献量化的可解释性推理路径，设计融合ACO与NSGA-Ⅱ的、以性能目标驱动的混凝土材料配比逆向优化算法，突破传统配比经验依赖与单目标优化局限，通过全局搜索避免陷入局部最优解。系统化智能化框架旨在突破传统数据库在材料计算与智能分析方面的瓶颈，可为材料基因智能化研究提供借鉴。
水化铝硅酸钙织构模型与跨尺度力学性能演化机理
周傲;卓靖博;余泽川;王振宇;刘铁军;水化铝硅酸钙(CASH)是铝掺杂水泥体系的主要黏结相，其纳米尺度的本征力学性能从根本上决定了宏观水泥基材料的性能上限，理解跨尺度构效关系有助于设计CASH性能提升策略。本工作旨在提出CASH由单晶到多晶的织构建模方法，阐明多尺度结构演化、Ca/Si与Al/Si耦合作用及多态水对CASH物理与力学性能的影响。开发了一种将粗粒化模型映射为全原子模型的跨尺度算法，由随机取向的CASH颗粒组成，展现出与实验一致的结构特征。分子动力学模拟表明，结构均质化是CASH由纳米尺度各向异性向亚微米尺度各向同性演化的根本机制。CASH亚微米结构在Ca/Si为1.50、Al/Si为0.10时力学性能最优，进一步提高Ca/Si会因桥联Si—O键减少而降低强度，而增加Al/Si对硅链连接和骨架影响有限。CASH的内聚力依赖颗粒间的接触，湿度作用下晶界区域的吸附水转变为自由水，削弱颗粒间内聚力，使强度降低超40.80%。在原子尺度上促进了对CASH亚微米多晶结构与力学行为的认识，有助于开发可持续、长寿命的水泥基材料。
小样本深度学习优化固废基胶凝材料——以赤泥超硫酸盐水泥为例
宁帅;王若愚;赵丹;马洋;王琳;侯鹏坤;杨波;程新;利用工业固废作为辅助胶凝材料部分替代水泥熟料可有效降低能耗和碳排放，开发了大掺量矿渣/粉煤灰水泥、超硫酸盐水泥等胶凝材料体系，实现了工业固废的高效利用、变废为宝。然而，仍有海量堆存赤泥、煤矸石等工业固废尚未得到有效利用，在制备胶凝材料时，普遍面临活性低、成分/性能波动大等难题。传统试错法难以应对其配比与性能间的复杂关系，而深度学习方法则常受制于小样本问题，且获得的单点最优配比难以适应原料波动。针对上述挑战，提出了一种基于小样本深度学习的胶凝材料配比优化方法，通过构建变分信息瓶颈预测模型，并结合配比可行域进行优化，以提升配比方案对原料波动的适应性。本工作以热活化赤泥替代矿渣制备超硫酸盐水泥为例。结果表明，该方法在小样本条件下成功获得了兼顾抗压强度与碳排放的配比可行域，为性能波动的工业固废在低碳胶凝材料中的应用提供了有效的品质控制方法。