Une Équipe Du MIT Utilise Un Modèle À Grande Échelle Pour Sélectionner 25 Types De Matériaux Alternatifs Au Clinker De Ciment, Ce Qui Équivaut À Réduire Les Émissions De Gaz À Effet De Serre De 1,2 Milliard De Tonnes.
La production de ciment est l'une des principales sources d'émissions de gaz à effet de serre (GES) dans le monde, représentant plus de 61 TP3T des émissions anthropiques mondiales de GES. Cette charge environnementale est principalement due au processus de production du clinker, qui comprend la réaction chimique de calcination du calcaire (CaCO₃→CaO+CO₂) à haute température (> 950 °C) et une forte consommation d'énergie. Avec la croissance des besoins mondiaux en infrastructures et la croissance démographique,Selon un article de l’équipe du MIT, la production de ciment devrait augmenter de 20% supplémentaires d’ici 2050, ce qui aggraverait encore les pressions environnementales.
Les stratégies traditionnelles de remplacement du clinker de ciment reposent principalement sur les cendres volantes (un sous-produit de la combustion du charbon) et le laitier granulé de haut fourneau (un sous-produit de la production d'acier), qui peuvent remplacer jusqu'à 50% de masse de clinker tout en conservant les propriétés mécaniques, réduisant théoriquement l'intensité des GES de 50%.Mais au cours des deux dernières décennies, sa part dans la production totale de ciment est passée de 25% à 17%, en raison de la réduction de la production d’énergie à partir du charbon et de l’augmentation du recyclage de l’acier.Les matériaux alternatifs émergents, tels que les cendres de biomasse, la poudre de verre usagée et les cendres d'incinération de déchets solides municipaux, présentent un potentiel, mais présentent des problèmes tels qu'une réactivité instable et des fluctuations saisonnières de l'approvisionnement. Il est donc urgent de développer des matériaux alternatifs plus durables et plus stables.
Afin d'identifier systématiquement des matériaux alternatifs plus viables, Soroush Mahjoubi, Elsa A. Olivetti et d'autres chercheurs du Massachusetts Institute of Technology (MIT) ont proposé une méthode innovante d'intégration de données multi-sources. Basée sur le modèle de langage étendu (LLM), cette méthode extrait la composition chimique de 14 000 matériaux à partir de 88 000 articles, puis utilise un réseau neuronal multi-têtes pour prédire l'activité réactionnelle des matériaux (dégagement de chaleur, consommation d'hydroxyde de calcium (Ca(OH)₂) et eau liée) et construit un cadre unifié d'évaluation de l'activité.Pour la première fois, la réactivité de plus de 50 000 matériaux naturels et industriels dérivés a été identifiée et quantifiée dans le monde entier, et 25 types de roches naturelles ayant le potentiel de remplacer le clinker de ciment ont été sélectionnés.L’étude a révélé que les matériaux naturels tels que les déchets de démolition de construction, les cendres d’incinération et la roche volcanique sont hautement réactifs et peuvent remplacer environ 50% de l’utilisation mondiale de clinker, ce qui équivaut à réduire les émissions de gaz à effet de serre de 1,2 milliard de tonnes.
La recherche connexe a été publiée dans Communication Materials sous le titre « Criblage de matériaux basé sur les données de précurseurs cimentaires secondaires et naturels ».
Points saillants de la recherche
* Proposition d'un cadre de modélisation de la réactivité multi-échelle intégrant LLM et réseau neuronal pour évaluer uniformément la réactivité du ciment de matériaux alternatifs
* Construire la plus grande base de données mondiale de matériaux de substitution du ciment, couvrant 14 000 matériaux et plus de 1 200 types de roches, dépassant les limites du criblage expérimental traditionnel
* 25 types de roches naturelles se sont révélés hautement réactifs, soutenant des stratégies régionales de substitution du clinker qui pourraient réduire considérablement les émissions de carbone dans l'industrie mondiale du ciment.
Adresse du document :
Autres articles sur les frontières de l'IA :
https://go.hyper.ai/owxf6
Le projet open source « awesome-ai4s » rassemble plus de 100 interprétations d'articles AI4S et fournit des ensembles de données et des outils massifs :
https://github.com/hyperai/awesome-ai4s
Ensemble de données : Extraction de la composition chimique et des informations sur le type de 14 000 matériaux
La création d’une base de données complète couvrant de multiples sources est la clé de la recherche.Dans un premier temps, l’équipe de recherche a sélectionné 4 312 documents de base parmi 88 000 articles universitaires liés au ciment et au béton en utilisant des mots-clés.La composition chimique et les informations sur le type de 14 434 matériaux ont été extraites, couvrant 19 catégories prédéfinies telles que les cendres volantes, les scories et les roches volcaniques naturelles, y compris 2 028 échantillons de cendres volantes et 1 346 échantillons de scories, ce qui représente une extension significative de la taille des données par rapport aux 725 échantillons de cendres volantes et 828 échantillons de scories de l'étude précédente.
D'autre part, pour entraîner le modèle,Les chercheurs ont intégré les données expérimentales de la méthode de test standard R³.Il comprend des données de dégagement de chaleur pour 1 330 échantillons, des données de consommation de Ca(OH)₂ pour 208 échantillons et des données sur l'eau liée pour 292 échantillons, couvrant 318 matériaux. Il s'agit de l'un des plus grands ensembles de données expérimentales sur les substituts du ciment actuellement disponibles.
* Test standard R³ : un test de réactivité chimique standard basé sur la composition chimique, la taille médiane des particules, la gravité spécifique, le rapport de mélange et la teneur en phase amorphe/cristalline
Les chercheurs ont appliqué le modèle formé à la plus grande base de données au monde sur la composition chimique des roches.La base de données contient plus d’un million d’échantillons de roche au total.Par la suite, les chercheurs ont évalué et classé la réactivité de tous les enregistrements, combinés à environ 160 échantillons de roche avec des données de contenu amorphe mesurées dans la littérature, et ont corrigé les propriétés clés manquantes telles que le contenu amorphe grâce à la technologie d'interpolation de données, et ont finalement construit une base de données unifiée de la réactivité des matériaux cimentaires de source naturelle et secondaire.
De plus, en termes de construction des caractéristiques des données, l'étude a extrait les teneurs en oxydes majeurs tels que CaO, Al₂O₃ et SiO₂, parmi lesquels les matériaux totalisant plus de 80% représentaient une proportion relativement élevée. Parallèlement, en combinant des paramètres physiques tels que la taille moyenne des particules, la densité, la teneur en phase amorphe et les conditions de procédé telles que la température de durcissement et l'âge, un ensemble d'apprentissage contenant 318 matériaux et 1 850 points de données a été construit.
Architecture du modèle : Prédiction de la réactivité du gel par un réseau neuronal multitâche
Dans cet article, une architecture de réseau neuronal multi-têtes est utilisée pour prédire la réactivité des matériaux dans les systèmes cimentaires.Cette architecture est conçue pour prédire simultanément plusieurs paramètres de réactivité, notamment le dégagement de chaleur, la consommation de Ca(OH)₂ et l'eau liée. L'avantage de l'architecture multi-têtes est qu'elle permet d'exploiter l'apprentissage par transfert inter-tâches pour améliorer la précision des prédictions de chaque tâche grâce au partage des caractéristiques sous-jacentes.
Les données d'entrée du modèle comprennent des descripteurs clés tels que la composition chimique du matériau (par exemple, CaO, Al₂O₃, SiO₂, Fe₂O₃, MgO, etc.), la granulométrie, la teneur en amorphe et la densité. Ces descripteurs sont validés par analyse SHAP (Shapley Additive ExPlanations) afin de garantir que leur contribution à la prédiction de la réactivité est raisonnable. Les résultats de l'analyse SHAP montrent que les principaux oxydes (par exemple, CaO, Al₂O₃, SiO₂) sont les principaux descripteurs pour la prédiction de la réactivité, tandis que le contenu amorphe et la gravité spécifique ont également des effets significatifs sur la réactivité.
Pour relever les défis de la prédiction simultanée de plusieurs indicateurs de réactivité et de la gestion des valeurs manquantes,Les chercheurs ont conçu un réseau neuronal multitâche sensible à l'imputation qui gère les valeurs manquantes à l'aide de deux méthodes :Une fonction de perte personnalisée est conçue en sortie, et la perte est calculée uniquement sur la base des valeurs non manquantes. Une méthode double est développée en entrée pour interpoler les valeurs manquantes tout en créant un masque pour marquer les données interpolées, afin que le réseau puisse distinguer les valeurs originales des valeurs interpolées. L'architecture du modèle intègre le descripteur d'entrée et son masque via des connexions pour gérer les valeurs interpolées. La structure optimisée du réseau contient quatre couches denses avec fonction d'activation ReLU, entrecoupées de couches d'abandon et de couches de normalisation par lots pour atténuer le surapprentissage. Les pondérations de perte des différentes sorties sont inversement proportionnelles au nombre de points de données disponibles pour l'indicateur afin d'équilibrer la contribution. Enfin, Keras Tuner est utilisé pour optimiser les hyperparamètres (tels que l'optimiseur, le taux d'apprentissage, le nombre de couches, etc.), et une stratégie d'arrêt précoce est adoptée lors de l'apprentissage. Les pondérations optimales du modèle sont restaurées en surveillant et en vérifiant la perte afin d'éviter le surapprentissage.
Recherche et évaluation de l'extraction de matériaux et de la réactivité basées sur le LLM
Le modèle expérimental permet de prédire avec précision la réactivité des matériaux dans les systèmes cimentaires sans nécessiter d'essais physiques en laboratoire, accélérant ainsi considérablement le processus de découverte et de sélection des matériaux, et offrant une nouvelle voie pour réduire les émissions de gaz à effet de serre dans la production de ciment. De plus, l'étude a confirmé le potentiel des matériaux alternatifs pour réduire l'utilisation de clinker. Cette découverte, qui permet d'accroître la réactivité des matériaux en augmentant leur teneur en composés amorphes, fournit des indications importantes pour la conception future des matériaux.
Exploration de la littérature et analyse des précurseurs basée sur le LLM
Les composants chimiques extraits par réglage fin du LLM,Les chercheurs ont dessiné un diagramme ternaire CaO–Al₂O₃–SiO₂.Français Comme le montre la figure ci-dessous, parmi les échantillons ayant une teneur totale de plus de 80 wt%, à l'exception des résidus et d'une petite quantité de ciment, la plupart des échantillons sont caractérisés par une faible teneur en Al₂O₃, une teneur élevée en CaO et une faible teneur en SiO₂. Parmi eux, 56 % contiennent 15–70 wt% CaO, 73 % contiennent 15–70 wt% SiO₂, et 70,5 % contiennent moins de 15 wt% Al₂O₃. Près de 94,5 % des échantillons contiennent 0–15 wt% Fe₂O₃ et 95 % contiennent moins de 10 wt% MgO.Par rapport aux études précédentes, les chercheurs ont ajouté 2 028 échantillons de cendres volantes et 1 346 échantillons de scories.Parallèlement, de nouveaux types de matériaux, tels que les cendres volcaniques naturelles, les cendres de biomasse et les résidus miniers, ont été inclus. Ainsi, l'étude précédente avait divisé 7 490 matériaux en 11 catégories, tandis que cette étude l'a élargi à 12 898 matériaux et 19 catégories.
Un autre LLM a identifié les types et sous-types de matériaux (tels que les résidus de cuivre dans les résidus) à partir des données de revues, et a classé les matériaux en 19 types et sous-types prédéfinis pour une analyse de classification plus fine. Bien que la composition chimique aide à identifier les types de matériaux, elle ne peut pas révéler directement leur réactivité. Pour explorer les changements dans la composition des précurseurs cimentaires, les chercheurs ont effectué une analyse de réduction de dimensionnalité t-SNE sur des échantillons dont la teneur totale en CaO, Al₂O₃ et SiO₂ dépassait 80 % en poids de TP3T, comme illustré dans la figure ci-dessous.Les résultats montrent qu’à l’exception des résidus, des cendres de biomasse et du verre, la plupart des matériaux semblent être regroupés séparément et que le ciment n’est pas clairement séparé de la chaux inerte.Cela indique que la prédiction de la réactivité basée uniquement sur la composition chimique présente des limites.
Création de modèles d'apprentissage automatique et prédiction réactive
En termes de prédiction de la réactivité des matériaux par l'apprentissage automatique, les chercheurs ont utilisé trois indicateurs de réactivité obtenus à partir du test R³, à savoir le dégagement de chaleur, la consommation de Ca(OH)₂ et la teneur en eau liée pour la formation.L’étude a révélé que la libération de chaleur est linéairement liée à l’eau liée.Français Par conséquent, l'eau liée peut être utilisée pour estimer la libération de chaleur, réalisant ainsi une évaluation de la réactivité multi-angle. De plus, comparé à la machine à vecteurs de support, à la forêt aléatoire, à XGBoost et au réseau neuronal à tête unique, le modèle a obtenu de meilleurs résultats dans les trois indicateurs : le RMSE de libération de chaleur était de 28,20 J/g (intervalle de confiance de 3,88 J/g), la consommation de Ca(OH)₂ était de 12,17 g/100 g (± 4,25), l'eau liée était de 1,47 g/100 g (± 0,45) et la prédiction R² était supérieure à 0,85.
Le modèle révèle les déterminants clés grâce à l’analyse de l’importance des caractéristiques de permutation et à l’interprétation SHAP.Comme le montre la figure ci-dessous, les principaux oxydes (CaO, Al₂O₃, SiO₂, Fe₂O₃, MgO), leur teneur en oxydes amorphes et leur densité influencent tous significativement la réactivité. Parmi eux, Al₂O₃ et CaCO₃ sont les plus critiques pour le dégagement de chaleur et l'eau liée, ce qui suggère qu'ils peuvent favoriser le dégagement de chaleur et la formation d'aluminates/ettringites, et également améliorer la résistance initiale ;L'augmentation de CaO réduit la consommation de Ca(OH)₂ car elle fournit une source directe de calcium ;Les matériaux de faible densité présentent davantage de sites de réaction d'hydratation. L'analyse SHAP montre également qu'à mesure que l'âge d'hydratation du matériau augmente, la réactivité augmente lorsque la proportion de structure amorphe est élevée. Ces résultats sont non seulement cohérents avec les lois connues de l'activité minérale, mais fournissent également une base technique interprétable et prédictive à trois indices pour l'utilisation de l'apprentissage automatique afin de sélectionner des matériaux cimentaires hautes performances.
(Les barres grises représentent les propriétés chimiques, les barres jaunes représentent les descripteurs environnementaux, les barres bleu clair représentent les propriétés physiques et les barres rouges représentent le rapport de mélange des matériaux ajoutés dans le mélange de pâte)
Évaluation de la réactivité et du potentiel d'utilisation des matériaux secondaires
Le cadre du modèle fournit une évaluation quantitative de la réactivité d’une variété de matériaux secondaires en fonction de la composition chimique et des méthodes d’interpolation pour estimer des descripteurs tels que la teneur en amorphe, la gravité spécifique et la taille médiane des particules.
Les chercheurs ont cartographié la réactivité des matériaux en termes de dégagement de chaleur et de consommation de Ca(OH)₂, en distinguant clairement les matériaux pouzzolaniques (consommation de Ca(OH)₂ > 50 g/100 g), les matériaux inertes (dégagement de chaleur < 100 J/g) et les scories qui présentent une dureté hydraulique.En général, les cendres volantes, les pouzzolanes naturelles, la fumée de silice, certaines argiles, le verre et les résidus présentent tous des propriétés pouzzolaniques, tandis que les déchets contenant du calcium sont presque non réactifs ;Les matériaux à base de scories, bien que moins réactifs, se comportent généralement de manière hydraulique ; tandis que les cendres de biomasse, les déchets de construction et les cendres de fond présentent également un potentiel en tant que matériaux cimentaires pouzzolaniques, validant la concordance du modèle avec les études précédentes.
Afin d'évaluer avec précision le potentiel de remplacement du clinker de chaque matériau,L’étude a ensuite subdivisé les matériaux en sous-types en fonction de leurs sources et de leurs méthodes de traitement, et a analysé leurs caractéristiques de réaction uniques.Comme le montre la figure ci-dessous, les résultats montrent que : l'activité des cendres volcaniques des cendres volantes de type F est plus forte que celle du type C ; les performances de réaction des scories et des cendres de biomasse varient considérablement en raison de leurs diverses sources ; les céramiques, les briques et le béton recyclés dans les déchets de construction et de démolition présentent tous des caractéristiques de cendres volcaniques considérables, parmi lesquelles la valeur de libération thermique des déchets de céramique est aussi élevée que 450 J/g ; la libération thermique des résidus de cuivre et de zinc peut atteindre 400 J/g, ce qui montre que les minéraux mixtes ont également du potentiel.
L'analyse de l'offre montre que même si les cendres volantes, les scories et la biomasse peuvent remplacer ensemble 53% de la production mondiale de ciment (représentant respectivement 19%, 12% et 22%),L’étude a également souligné que les déchets de construction et de démolition et les déchets solides municipaux peuvent également remplacer le clinker dans une large mesure dans la plupart des pays, remplaçant respectivement environ 55% et 13%.Le potentiel de substitution est encore plus important, et ces deux matériaux pourraient remplacer 68% de la production mondiale de ciment. Bien que certains matériaux ne soient pas naturellement réactifs, les déchets solides de construction et urbains présentent encore un potentiel significatif de substitution du clinker grâce à des procédés d'activation spécifiques et évolutifs. Par exemple, le procédé de traitement au four à arc électrique permet de rematurer la pâte de ciment contenue dans le béton recyclé ; la copyrolyse des déchets de bois et autres déchets peut convertir le biochar en matériaux pouzzolaniques modérément réactifs.
Découverte mondiale de précurseurs de gels naturels
Les chercheurs ont utilisé le modèle d'interpolation pour saisir la composition chimique et les données amorphes de l'ensemble de données R³, améliorant ainsi significativement la précision de la prédiction de la réactivité. Les résultats ont montré que l'erreur d'interpolation moyenne du modèle pour la teneur en amorphe n'était que de 3,0%, et l'erreur de prédiction de la réactivité correspondante de 5,0%.
En utilisant des modèles prédictifs pour évaluer la réactivité des roches, nous avons étudié plus de 1 200 types de roches avec un dégagement de chaleur supérieur à 200 J/g et identifié 50 569 précurseurs naturels.Parmi eux, les précurseurs réactifs de 25 types de roches dépassent 5%. La réactivité de l'anorthite et de l'ignimbrite est la plus élevée par rapport à l'échantillon total, environ 25% ;Viennent ensuite le porphyre, les roches clastiques et le tuf siliceux. Bien que le rapport réactivité/volume total des roches volcaniques extrusives telles que la rhyolite soit inférieur à 12%, les échantillons réactifs sont plus nombreux en raison de leur large répartition mondiale. La plupart des échantillons réactifs identifiés se situent dans la gamme des cendres volcaniques, avec environ 46 700 échantillons appartenant aux cendres volcaniques et environ 3 800 échantillons appartenant à la dureté hydraulique. Le potentiel de réactivité élevé varie selon le type de roche.Les précurseurs naturels identifiés sont répartis dans le monde entier, concentrés dans des zones telles que les zones sismiques. Les précurseurs d'activité moyenne et élevée peuvent être utilisés comme matières premières de substitution au clinker.Bien que les données actuelles montrent que les précurseurs sont principalement répartis au Canada, aux États-Unis et dans d'autres pays, on les trouve en réalité partout dans le monde. Les précurseurs volcaniques sont concentrés en Europe du Nord, en Asie et ailleurs. En Amérique du Nord, ils sont principalement localisés dans les Appalaches et ailleurs, comme le montre la figure ci-dessous.
L'ère du ciment intelligent à faible émission de carbone, basée sur les données
En fait, dans le domaine de la recherche universitaire, la technologie de l’IA pénètre de manière disruptive tous les maillons de la chaîne de l’industrie du ciment et du béton et a réalisé des percées multidimensionnelles dans la prédiction des performances et l’optimisation de la production.
Par exemple,Le professeur Wei Xiaoyong du département d'informatique électronique de l'Université polytechnique de Hong Kong et son équipe ont proposé une méthode d'apprentissage automatique capable de stocker efficacement le dioxyde de carbone dans les matériaux en ciment.Trois techniques avancées d'apprentissage automatique (arbres de décision, forêts aléatoires et boosting de gradient extrême, XGBoost) ont été utilisées pour coupler les jeux de données existants avec les données issues de la littérature. Les performances du modèle XGBoost ont été confirmées comme étant significativement supérieures à celles de la méthode de régression linéaire traditionnelle. De plus, grâce à SHAP, outre les facteurs largement reconnus, le type de ciment a été étudié et son rôle clé dans la profondeur de carbonatation a été démontré. Le CEM II/B-LL et le CEM II/BM sont deux types de ciment présentant un potentiel de carbonatation plus élevé. Les résultats permettent d'identifier les facteurs clés affectant la séquestration du CO2 dans le ciment et fournissent des indications pour optimiser les plans d'expérience. Ces résultats ont été publiés dans des revues partenaires de Nature sous le titre « Apprentissage automatique pour une séquestration efficace du CO2 dans les matériaux cimentaires : une méthode basée sur les données ».
Adresse du document :
https://www.nature.com/articles/s44296-025-00053-z
Face au coût élevé du béton à ultra hautes performances (BFUP),Une équipe de recherche du Département des sciences et de l'ingénierie des matériaux de l'Université des sciences et technologies du Missouri a utilisé l'apprentissage automatique pour optimiser et prédire les performances des mélanges UHPC, améliorant considérablement l'efficacité et raccourcissant le temps de développement.Les résultats montrent que le modèle de forêt aléatoire (RF) est meilleur que le modèle de réseau de neurones artificiels (ANN) pour prédire la résistance à la compression ; l'analyse des valeurs SHAP montre que l'âge, la teneur en fibres et la teneur en adjuvants (SCM) ont des effets significatifs, et que la composition chimique du SCM est moins importante ; après suppression de la composition chimique, l'efficacité de prédiction des seules variables d'entrée sélectionnées est équivalente à celle de l'ensemble des entrées. On constate que seules les informations de base sur la conception du mélange sont nécessaires pour prédire avec précision les performances de l'UHPC, ce qui réduit non seulement la quantité de données collectées, mais aussi l'utilisation de la mémoire de calcul et le temps de traitement.
Adresse du document :
https://www.nature.com/articles/s41598-025-94484-2
À l'avenir, l'IA intégrant des modèles à haut débit et des réseaux neuronaux dans le domaine des matériaux cimentaires pourrait devenir le principal moteur de l'industrie du ciment pour progresser vers son objectif de neutralité carbone d'ici 2050. Se trouvant au point critique de la révolution des nouveaux matériaux, elle ouvrira une nouvelle voie intelligente et verte pour la construction d'infrastructures dans le cadre des objectifs de « double carbone ».
Liens de référence :
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