MIT-Team Nutzt Groß Angelegtes Modell Zur Untersuchung Von 25 Arten Alternativer Zementklinkermaterialien, Was Einer Reduzierung Der Treibhausgasemissionen Um 1,2 Milliarden Tonnen Entspricht
Die Zementproduktion ist eine der Hauptquellen von Treibhausgasemissionen weltweit und verursacht mehr als 61 TP3T der globalen anthropogenen Treibhausgasemissionen. Diese Umweltbelastung ist hauptsächlich auf den Herstellungsprozess von Zementklinker zurückzuführen, der die chemische Reaktion des Kalzinierens von Kalkstein (CaCO₃→CaO+CO₂) bei hohen Temperaturen (>950 °C) und hohem Energieverbrauch umfasst. Mit dem wachsenden globalen Infrastrukturbedarf und dem BevölkerungswachstumEiner Studie des MIT-Teams zufolge wird die Zementproduktion bis 2050 voraussichtlich um weitere 201 Millionen Tonnen steigen, was die Umweltbelastungen weiter verschärfen wird.
Herkömmliche Strategien zum Ersatz von Zementklinker basieren hauptsächlich auf Flugasche (einem Nebenprodukt der Kohleverbrennung) und granulierter Hochofenschlacke (einem Nebenprodukt der Stahlproduktion), die bis zu 501 TP3T Klinkermasse ersetzen können, während die mechanischen Eigenschaften erhalten bleiben, wodurch die Treibhausgasintensität theoretisch um 501 TP3T reduziert wird.Doch in den letzten beiden Jahrzehnten ist sein Anteil an der gesamten Zementproduktion von 251 TP3T auf 171 TP3T gesunken, was auf eine geringere Kohleenergieproduktion und ein verstärktes Stahlrecycling zurückzuführen ist.Neue alternative Materialien wie Biomasseasche, Altglaspulver und Asche aus der Verbrennung von Siedlungsabfällen bieten zwar Potenzial, sind aber mit Problemen wie instabiler Reaktivität und saisonalen Schwankungen in der Versorgung verbunden. Daher ist die Entwicklung nachhaltigerer und stabilerer alternativer Materialien dringend erforderlich.
Um systematisch praktikablere Alternativmaterialien zu identifizieren, schlugen Soroush Mahjoubi, Elsa A. Olivetti und andere Forscher vom Massachusetts Institute of Technology (MIT) eine innovative Methode zur Integration multisourcer Daten vor. Diese Methode basiert auf dem Large Language Model (LLM) und extrahiert die chemische Zusammensetzung von 14.000 Materialien aus 88.000 Dokumenten. Anschließend verwendet sie ein mehrköpfiges neuronales Netzwerk, um die Reaktionsaktivität der Materialien (Wärmefreisetzung, Calciumhydroxidverbrauch (Ca(OH)₂) und gebundenes Wasser) vorherzusagen und ein einheitliches Rahmenwerk zur Aktivitätsbewertung zu erstellen.Erstmals wurde die Reaktivität von mehr als 50.000 natürlichen und industriellen Nebenprodukten weltweit identifiziert und quantifiziert und 25 natürliche Gesteinsarten mit dem Potenzial, Zementklinker zu ersetzen, ausgewählt.Die Studie ergab, dass natürliche Materialien wie Bauschutt, Verbrennungsasche und Vulkangestein hochreaktiv sind und etwa 501 Milliarden Tonnen des weltweiten Klinkerverbrauchs ersetzen können, was einer Reduzierung der Treibhausgasemissionen um 1,2 Milliarden Tonnen entspricht.
Die entsprechende Forschung wurde in Communication Materials unter dem Titel „Data-driven material screening of secondary and natural cementitious precursors“ veröffentlicht.
Forschungshighlights
* Vorschlag eines mehrskaligen Reaktivitätsmodellierungsrahmens, der LLM und neuronale Netzwerke integriert, um die Zementreaktivität alternativer Materialien einheitlich zu bewerten
* Aufbau der weltweit größten Datenbank für Zementersatzstoffe, die 14.000 Materialien und mehr als 1.200 Gesteinsarten umfasst und die Grenzen des traditionellen experimentellen Screenings durchbricht
* 25 natürliche Gesteinsarten erwiesen sich als hochreaktiv und unterstützen regionale Strategien zur Klinkersubstitution, die die Kohlenstoffemissionen der globalen Zementindustrie deutlich reduzieren könnten
Papieradresse:
Weitere Artikel zu den Grenzen der KI:
https://go.hyper.ai/owxf6
Das Open-Source-Projekt „awesome-ai4s“ vereint mehr als 100 AI4S-Papierinterpretationen und stellt umfangreiche Datensätze und Tools bereit:
https://github.com/hyperai/awesome-ai4s
Datensatz: Extraktion der chemischen Zusammensetzung und Typinformationen von 14.000 Materialien
Der Aufbau einer umfassenden Datenbank mit mehreren Quellenmaterialien ist der Schlüssel zur Recherche.Zunächst wählte das Forschungsteam anhand von Schlüsselwörtern 4.312 Kerndokumente aus 88.000 wissenschaftlichen Arbeiten zum Thema Zement und Beton aus.Die chemische Zusammensetzung und Typinformationen von 14.434 Materialien wurden extrahiert. Diese decken 19 vordefinierte Kategorien wie Flugasche, Schlacke und natürliches Vulkangestein ab, darunter 2.028 Flugascheproben und 1.346 Schlackenproben. Dies stellt eine erhebliche Erweiterung der Datenmenge im Vergleich zu den 725 Flugascheproben und 828 Schlackenproben in der früheren Studie dar.
Um das Modell zu trainieren,Die Forscher integrierten experimentelle Daten aus der R³-Standardtestmethode.Er enthält Wärmefreisetzungsdaten für 1.330 Proben, Ca(OH)₂-Verbrauchsdaten für 208 Proben und gebundene Wasserdaten für 292 Proben aus 318 Materialien. Es handelt sich um einen der umfangreichsten experimentellen Datensätze zu Zementersatzstoffen, die derzeit verfügbar sind.
* R³-Standardtest: Ein Standardtest der chemischen Reaktivität basierend auf chemischer Zusammensetzung, mittlerer Partikelgröße, spezifischem Gewicht, Mischungsverhältnis und amorphem/kristallinem Phasengehalt
Die Forscher wendeten das trainierte Modell auf die weltweit größte Datenbank zur chemischen Zusammensetzung von Gestein an.Insgesamt enthält die Datenbank mehr als 1 Million Gesteinsproben.Anschließend bewerteten und klassifizierten die Forscher die Reaktivität aller Aufzeichnungen, kombinierten sie mit etwa 160 Gesteinsproben mit gemessenen Daten zum amorphen Gehalt in der Literatur und korrigierten die fehlenden Schlüsseleigenschaften wie den amorphen Gehalt durch Dateninterpolationstechnologie und erstellten schließlich eine einheitliche Datenbank zur Reaktivität von zementartigen Materialien aus natürlichen und sekundären Quellen.
Darüber hinaus extrahierte die Studie im Hinblick auf die Datenmerkmalskonstruktion den Gehalt wichtiger Oxide wie CaO, Al₂O₃ und SiO₂, wobei die Materialien mit insgesamt mehr als 80% einen relativ hohen Anteil ausmachten. Gleichzeitig wurde, kombiniert mit physikalischen Parametern wie mittlerer Partikelgröße, spezifischem Gewicht, amorphem Phasengehalt und Prozessbedingungen wie Aushärtungstemperatur und Alter, ein Trainingssatz mit 318 Materialien und 1.850 Datenpunkten erstellt.
Modellarchitektur: Multitasking-Vorhersage der Gelreaktivität durch neuronale Netzwerke
In diesem Artikel wird eine mehrköpfige neuronale Netzwerkarchitektur verwendet, um die Reaktivität von Materialien in Zementsystemen vorherzusagen.Diese Architektur ist darauf ausgelegt, mehrere Reaktivitätsmetriken gleichzeitig vorherzusagen, darunter Wärmefreisetzung, Ca(OH)₂-Verbrauch und gebundenes Wasser. Der Vorteil der Multi-Head-Architektur besteht darin, dass sie aufgabenübergreifendes Transferlernen nutzen kann, um die Vorhersagegenauigkeit einzelner Aufgaben durch die gemeinsame Nutzung zugrunde liegender Merkmale zu verbessern.
Die Eingaben für das Modell umfassen wichtige Deskriptoren wie die chemische Zusammensetzung des Materials (z. B. CaO, Al₂O₃, SiO₂, Fe₂O₃, MgO usw.), Partikelgröße, amorphen Gehalt und das spezifische Gewicht. Diese Deskriptoren werden mithilfe der SHAP-Analyse (Shapley Additive exPlanations) validiert, um sicherzustellen, dass ihr Beitrag zur Reaktivitätsvorhersage angemessen ist. Die Ergebnisse der SHAP-Analyse zeigen, dass die wichtigsten Oxide (z. B. CaO, Al₂O₃, SiO₂) die wichtigsten Deskriptoren für die Reaktivitätsvorhersage sind, während der amorphe Gehalt und das spezifische Gewicht ebenfalls erhebliche Auswirkungen auf die Reaktivität haben.
Um die Herausforderungen der gleichzeitigen Vorhersage mehrerer Reaktivitätsindikatoren und des Umgangs mit fehlenden Werten zu meistern,Die Forscher entwickelten ein imputationsbewusstes neuronales Multitasking-Netzwerk, das fehlende Werte mithilfe von zwei Methoden verwaltet:Auf der Ausgabeseite wird eine benutzerdefinierte Verlustfunktion entwickelt, und der Verlust wird nur auf Grundlage nicht fehlender Werte berechnet; auf der Eingabeseite wird eine duale Methode entwickelt, um fehlende Werte zu interpolieren und gleichzeitig eine Maske zum Markieren der interpolierten Daten zu erstellen, sodass das Netzwerk zwischen Originalwerten und interpolierten Werten unterscheiden kann. Die Modellarchitektur integriert den Eingabedeskriptor und seine Maske über Verbindungen, um interpolierte Werte zu verarbeiten. Die optimierte Netzwerkstruktur enthält vier dichte Schichten mit ReLU-Aktivierungsfunktion, durchsetzt mit Dropout-Schichten und Batch-Normalisierungsschichten, um Überanpassung zu vermeiden. Die Verlustgewichte verschiedener Ausgaben sind umgekehrt proportional zur Anzahl der für den Indikator verfügbaren Datenpunkte, um den Beitrag auszugleichen. Schließlich wird Keras Tuner verwendet, um Hyperparameter (wie Optimierer, Lernrate, Anzahl der Schichten usw.) zu optimieren, und im Training wird eine Strategie zum frühzeitigen Stoppen angewendet. Die optimalen Modellgewichte werden wiederhergestellt, indem der Verlust überwacht und überprüft wird, um Überanpassung zu vermeiden.
LLM-basierte Materialgewinnung und Reaktivitätsforschung und -bewertung
Das experimentelle Modell kann die Reaktivität von Materialien in Zementsystemen präzise vorhersagen, ohne dass physikalische Labortests erforderlich sind. Dies beschleunigt den Prozess der Materialentdeckung und -prüfung erheblich und eröffnet neue Möglichkeiten zur Reduzierung der Treibhausgasemissionen bei der Zementproduktion. Darüber hinaus bestätigte die Studie das Potenzial alternativer Materialien zur Reduzierung des Klinkerverbrauchs. Die Entdeckung, dass sich die Reaktivität von Materialien durch Erhöhung des amorphen Anteils steigern lässt, liefert wichtige Hinweise für die zukünftige Materialentwicklung.
Literatur-Mining und Vorläuferanalyse basierend auf LLM
Die durch Feinabstimmung von LLM extrahierten chemischen Komponenten,Die Forscher zeichneten ein ternäres CaO–Al₂O₃–SiO₂-Diagramm.Wie die folgende Abbildung zeigt, weisen die meisten Proben mit einem Gesamtgehalt von über 80 Gew.-% TP3T, mit Ausnahme von Rückständen und einer geringen Zementmenge, einen niedrigen Al₂O₃-, einen hohen CaO- und einen niedrigen SiO₂-Gehalt auf. Davon enthalten 56 % 15–70 Gew.-% TP3T CaO, 73 % 15–70 Gew.-% TP3T SiO₂ und 70,5 % weniger als 15 Gew.-% Al₂O₃. Fast 94,5 % der Proben enthalten 0–15 Gew.-% Fe₂O₃ und 95 % weniger als 10 Gew.-% MgO.Im Vergleich zu früheren Studien fügten die Forscher 2.028 Flugascheproben und 1.346 Schlackenproben hinzu.Gleichzeitig wurden neue Materialarten wie natürliche Vulkanasche, Biomasseasche und Rückstände einbezogen. Das heißt, die vorherige Studie unterteilte 7.490 Materialien in 11 Kategorien, während diese Studie die Anzahl auf 12.898 Materialien und 19 Kategorien erweiterte.
Ein weiteres LLM identifizierte Materialtypen und -untertypen (wie z. B. Kupferrückstände in Rückständen) anhand von Zeitschriftendaten und klassifizierte die Materialien in 19 vordefinierte Typen und Untertypen für eine verfeinerte Klassifizierungsanalyse. Die chemische Zusammensetzung hilft zwar bei der Identifizierung von Materialtypen, lässt aber keinen direkten Rückschluss auf die Materialreaktivität zu. Um die Veränderungen in der Zusammensetzung zementartiger Vorläufer zu untersuchen, führten die Forscher eine t-SNE-Dimensionsreduktionsanalyse an Proben mit einem Gesamtgehalt an CaO, Al₂O₃ und SiO₂ von über 80 Gew.-% durch, wie in der folgenden Abbildung dargestellt.Die Ergebnisse zeigen, dass die meisten Materialien, mit Ausnahme von Rückständen, Biomasseasche und Glas, getrennt gruppiert zu sein scheinen und dass Zement nicht klar vom inerten Kalk getrennt ist.Dies weist darauf hin, dass die Vorhersage der Reaktivität ausschließlich auf Grundlage der chemischen Zusammensetzung nur begrenzt möglich ist.
Modellerstellung für maschinelles Lernen und reaktive Vorhersage
Um die Materialreaktivität durch maschinelles Lernen vorherzusagen, nutzten die Forscher für das Training drei aus dem R³-Test gewonnene Reaktivitätsindikatoren, nämlich Wärmefreisetzung, Ca(OH)₂-Verbrauch und gebundenen Wassergehalt.Die Studie ergab, dass die Wärmefreisetzung linear mit der Wasserbindung zusammenhängt.Daher kann gebundenes Wasser zur Schätzung der Wärmefreisetzung verwendet werden, wodurch eine mehrwinkelige Reaktivitätsbewertung erreicht wird. Darüber hinaus schnitt das Modell im Vergleich zu Support Vector Machine, Random Forest, XGBoost und Single-Head Neural Network bei allen drei Indikatoren besser ab: Der Wärmefreisetzungs-RMSE lag bei 28,20 J/g (Vertrauensintervall 3,88 J/g), der Ca(OH)₂-Verbrauch bei 12,17 g/100 g (±4,25), das gebundene Wasser bei 1,47 g/100 g (±0,45) und der Vorhersage-R² lag über 0,85.
Das Modell deckt die wichtigsten Determinanten durch eine Permutationsmerkmal-Wichtigkeitsanalyse und SHAP-Interpretation auf.Wie in der folgenden Abbildung dargestellt. Die Hauptoxide (CaO, Al₂O₃, SiO₂, Fe₂O₃, MgO), der amorphe Gehalt und das spezifische Gewicht beeinflussen die Reaktivität maßgeblich. Al₂O₃ und CaCO₃ sind dabei die kritischsten Oxide für die Wärmefreisetzung und die Wasserbindung. Dies deutet darauf hin, dass sie die Wärmefreisetzung und die Bildung von Aluminaten/Ettringit fördern und zudem die Frühfestigkeit erhöhen können.Die Erhöhung des CaO-Gehalts verringert den Verbrauch von Ca(OH)₂, da es eine direkte Calciumquelle darstellt.Materialien mit geringem spezifischen Gewicht weisen mehr Hydratationsreaktionsstellen auf. Die SHAP-Analyse zeigt außerdem, dass mit zunehmendem Hydratationsalter des Materials die Reaktivität zunimmt, wenn der Anteil amorpher Strukturen hoch ist. Diese Ergebnisse stehen nicht nur im Einklang mit den bekannten Gesetzen der Mineralaktivität, sondern bieten auch eine interpretierbare und drei-indizes-vorhersagende technische Grundlage für den Einsatz von maschinellem Lernen zur Prüfung hochleistungsfähiger zementartiger Materialien.
(Graue Balken stellen chemische Eigenschaften dar, gelbe Balken stellen Umweltdeskriptoren dar, hellblaue Balken stellen physikalische Eigenschaften dar und rote Balken stellen das Mischungsverhältnis der hinzugefügten Materialien in der Pastenmischung dar.)
Reaktivitätsbewertung und Nutzungspotenzial von Sekundärmaterialien
Der Modellrahmen bietet eine quantitative Bewertung der Reaktivität einer Vielzahl von Sekundärmaterialien auf Grundlage der chemischen Zusammensetzung und Interpolationsmethoden zur Schätzung von Deskriptoren wie amorphem Gehalt, spezifischem Gewicht und mittlerer Partikelgröße.
Die Forscher kartierten die Reaktivität der Materialien hinsichtlich Wärmefreisetzung und Ca(OH)₂-Verbrauch und unterschieden dabei klar zwischen puzzolanischen Materialien (Ca(OH)₂-Verbrauch > 50 g/100 g), inerten Materialien (Wärmefreisetzung < 100 J/g) und Schlacken mit hydraulischer Härte.Im Allgemeinen weisen Flugasche, natürliche Puzzolane, Silicastaub, bestimmte Tone, Glas und Rückstände puzzolanische Eigenschaften auf, während kalziumhaltige Abfälle nahezu reaktionsträge sind.Obwohl schlackenbasierte Materialien weniger reaktiv sind, verhalten sie sich typischerweise hydraulisch; Biomasseasche, Bauschutt und Bodenasche weisen hingegen ebenfalls Potenzial als puzzolanische Zementmaterialien auf, was die Übereinstimmung des Modells mit früheren Studien bestätigt.
Um das Klinkerersatzpotenzial jedes Materials genau beurteilen zu können,Im Rahmen der Studie wurden die Materialien anhand ihrer Quellen und Verarbeitungsmethoden weiter in Untertypen unterteilt und ihre einzigartigen Reaktionseigenschaften analysiert.Wie in der Abbildung unten gezeigt, zeigen die Ergebnisse, dass: die Vulkanascheaktivität von Flugasche vom F-Typ stärker ist als die von Typ C; die Reaktionsleistung von Schlacke und Biomasseasche aufgrund ihrer unterschiedlichen Quellen erheblich variiert; recycelte Keramik, Ziegel und Beton in Bau- und Abbruchabfällen allesamt erhebliche Vulkanascheeigenschaften aufweisen, wobei der Wärmefreisetzungswert von Keramikabfällen bis zu 450 J/g beträgt; die Wärmefreisetzung von Kupfer- und Zinkrückständen 400 J/g erreichen kann, was zeigt, dass auch gemischte Mineralien Potenzial haben.
Eine Angebotsanalyse zeigt, dass Flugasche, Schlacke und Biomasse zwar zusammen 531 TP3T der weltweiten Zementproduktion ersetzen können (was 191 TP3T, 121 TP3T bzw. 221 TP3T entspricht),Die Studie wies außerdem darauf hin, dass Bau- und Abbruchabfälle sowie feste Siedlungsabfälle in den meisten Ländern ebenfalls Klinker in großem Umfang ersetzen können, und zwar etwa 551 TP3T bzw. 131 TP3T.Das Substitutionspotenzial ist sogar noch größer, und die beiden könnten 681 Tonnen Zement der weltweiten Zementproduktion ersetzen. Obwohl einige Materialien nicht von Natur aus reaktiv sind, weisen Bau- und Siedlungsabfälle durch skalierbare, spezifische Aktivierungsprozesse dennoch ein erhebliches Klinkersubstitutionspotenzial auf. Beispielsweise lässt das Verfahren im Lichtbogenofen den Zementleim in Recyclingbeton wieder reifen; Holzabfälle und andere Abfall-Copyrolyse können Biokohle in mäßig reaktive Puzzolane umwandeln.
Weltweite Entdeckung natürlicher Gelvorläufer
Die Forscher nutzten das Interpolationsmodell, um die chemische Zusammensetzung und amorphe Daten aus dem R³-Datensatz einzugeben, wodurch die Genauigkeit der Reaktivitätsvorhersage deutlich verbessert wurde. Die Ergebnisse zeigten, dass der durchschnittliche Interpolationsfehler des Modells für amorphe Inhalte nur 3,01 TP3T betrug, der entsprechende Reaktivitätsvorhersagefehler 5,01 TP3T.
Mithilfe von Vorhersagemodellen zur Bewertung der Gesteinsreaktivität haben wir mehr als 1.200 Gesteinsarten mit einer Wärmefreisetzung von über 200 J/g untersucht und 50.569 natürliche Vorläufer identifiziert.Darunter übersteigen die reaktiven Vorläufer von 25 Gesteinsarten 5%. Die Reaktivität von Anorthit und Ignimbrit ist im Vergleich zur Gesamtprobe am höchsten, etwa 25%;Porphyr, klastisches Gestein und silikatischer Tuff folgen als nächstes. Obwohl das Verhältnis von Reaktivität zu Gesamtvolumen extrusiver Vulkangesteine wie Rhyolith niedriger ist als bei 12%, gibt es aufgrund ihrer weiten globalen Verbreitung mehr reaktive Proben. Die meisten der identifizierten reaktiven Proben gehören zur Kategorie der Vulkanasche, wobei etwa 46.700 Proben der Vulkanasche und etwa 3.800 Proben der hydraulischen Härte zuzuordnen sind. Das hohe Reaktivitätspotenzial verschiedener Gesteinsarten unterscheidet sich.Die identifizierten natürlichen Vorläufer sind weltweit verbreitet und konzentrieren sich beispielsweise in Erdbebengebieten. Vorläufer mittlerer und hoher Aktivität können als Ersatz für Klinkerrohstoffe verwendet werden.Obwohl aktuelle Daten zeigen, dass die Vorläufer hauptsächlich in Kanada, den USA und anderen Ländern verbreitet sind, sind sie tatsächlich weltweit verbreitet. Vulkanische Vorläufer konzentrieren sich in Nordeuropa, Asien und anderen Regionen. In Nordamerika sind sie vor allem in den Appalachen und anderen Regionen zu finden, wie die folgende Abbildung zeigt.
Datengesteuertes, kohlenstoffarmes, intelligentes Zementzeitalter
Tatsächlich durchdringt die KI-Technologie im Bereich der akademischen Forschung auf disruptive Weise alle Glieder der Zement- und Betonindustriekette und hat mehrdimensionale Durchbrüche bei der Leistungsvorhersage und Produktionsoptimierung erzielt.
Zum Beispiel,Professor Wei Xiaoyong von der Abteilung für elektronische Informatik an der Hong Kong Polytechnic University und sein Team haben eine Methode des maschinellen Lernens vorgeschlagen, mit der Kohlendioxid effektiv in Zementmaterialien gespeichert werden kann.Drei fortschrittliche Techniken des maschinellen Lernens – Entscheidungsbäume, Random Forests und Extreme Gradient Boosting (XGBoost) – wurden verwendet, um die vorhandenen Datensätze mit Literaturdaten zu verknüpfen. Es zeigte sich, dass die Leistung des XGBoost-Modells deutlich besser war als die der herkömmlichen linearen Regressionsmethode. Mithilfe von SHAP wurde zusätzlich zu den allgemein bekannten Faktoren auch der Zementtyp untersucht und seine Schlüsselrolle bei der Beeinflussung der Karbonatisierungstiefe nachgewiesen. CEM II/B-LL und CEM II/BM sind zwei Typen mit höherem Karbonatisierungspotenzial. Die Ergebnisse ermöglichen die Identifizierung der Schlüsselfaktoren, die die CO2-Sequestrierung im Zement beeinflussen, und liefern Erkenntnisse zur Optimierung des Versuchsdesigns. Die entsprechenden Ergebnisse wurden in Partnerzeitschriften von Nature unter dem Titel „Maschinelles Lernen für eine effiziente CO2-Sequestrierung in zementhaltigen Materialien: eine datengesteuerte Methode“ veröffentlicht.
Papieradresse:
https://www.nature.com/articles/s44296-025-00053-z
Angesichts der hohen Kosten für ultrahochfesten Beton (UHPC)Ein Forschungsteam der Abteilung für Materialwissenschaft und Werkstofftechnik der Missouri University of Science and Technology nutzte maschinelles Lernen, um die Leistung von UHPC-Mischungen zu optimieren und vorherzusagen, wodurch die Effizienz deutlich verbessert und die Entwicklungszeit verkürzt wurde.Die Ergebnisse zeigen, dass das Random-Forest-Modell (RF) die Druckfestigkeit besser vorhersagt als das Modell eines künstlichen neuronalen Netzwerks (KNN). Die SHAP-Wert-Analyse zeigt, dass Alter, Fasergehalt und Zusatzstoffgehalt (SCM) signifikante Auswirkungen haben, während die chemische Zusammensetzung des SCM weniger wichtig ist. Nach dem Entfernen der chemischen Zusammensetzung entspricht die Vorhersageeffizienz nur ausgewählter Eingangsvariablen der des gesamten Eingangssatzes. Es zeigt sich, dass für eine genaue Vorhersage der UHPC-Leistung nur grundlegende Informationen zur Mischungsgestaltung erforderlich sind. Dies reduziert nicht nur den Datenerfassungsaufwand, sondern auch den Rechenspeicherbedarf und die Verarbeitungszeit.
Papieradresse:
https://www.nature.com/articles/s41598-025-94484-2
Mit Blick auf die Zukunft könnte die KI, die Hochdurchsatzmodelle und neuronale Netzwerke im Bereich der Zementmaterialien integriert, zur zentralen Triebkraft für die Zementindustrie werden, um ihrem Ziel der CO2-Neutralität bis 2050 näher zu kommen. Sie steht am kritischen Punkt der neuen Materialrevolution und wird einen neuen intelligenten und umweltfreundlichen Weg für den Infrastrukturbau im Rahmen der „dualen CO2-Ziele“ eröffnen.
Referenzlinks:
1.https://mp.weixin.qq.com/s/4Nmf7aMkuRo8-eietH7bNw
2.https://mp.weixin.qq.com/s/f9D6tVDsruhUr7YbZ7zlhA
3.https://mp.weixin.qq.com/s/3q696f2qqU8Wk949qgivbw