能快速生成气候友好型水泥配方的人工智能

水泥行业产生的二氧化碳排放量约占全球的8%——超过了全球整个航空业的排放量。保罗谢尔研究所（PSI）的研究人员开发了一种基于人工智能的模型，有助于加速发现新的水泥配方，这些配方可以在获得相同材料质量的同时，产生更好的碳足迹。

水泥厂的回转窑被加热到炙热的1400摄氏度，将研磨后的石灰石烧成熟料（即预拌水泥的原材料）。毫不奇怪，如此高的温度通常仅靠电力是无法实现的。它们是高能耗燃烧过程的结果，会排放大量二氧化碳（CO2）。然而，令人惊讶的可能是，燃烧过程产生的排放量还不到这些总量的一半，远低于一半。大部分排放包含在生产熟料和水泥所需的原材料中：在石灰石中化学结合的二氧化碳在高温窑炉的转化过程中被释放出来。

减少排放的一个有前景的策略是修改水泥配方本身——用替代胶凝材料替换部分熟料。这正是PSI核工程与科学中心废物管理实验室的一个跨学科团队一直在研究的方向。研究人员没有仅仅依赖耗时的实验或复杂的模拟，而是开发了一种基于机器学习的建模方法。该研究的第一作者、数学家Romana Boiger解释说：“这使我们能够模拟和优化水泥配方，使其在保持相同高水平机械性能的同时，显著减少二氧化碳排放。我们不再需要在实验室测试数千种变体，而是可以使用我们的模型在几秒钟内生成实用的配方建议——这就像拥有一本气候友好型水泥的数字食谱书。”

通过这种新颖的方法，研究人员能够有选择地筛选出那些符合期望标准的水泥配方。“材料成分的可能性范围——这最终决定了最终性能——异常广阔，”该研究的发起人兼合著者、PSI传输机制研究组负责人Nikolaos Prasianakis说。“我们的方法通过选择有前景的候选配方进行进一步的实验研究，显著加快了开发周期。”该研究结果发表在《Materials and Structures》期刊上。

正确的配方

如今，工业副产品，如炼铁产生的矿渣和燃煤电厂的粉煤灰，已被用来部分替代水泥配方中的熟料，从而减少二氧化碳排放。然而，全球对水泥的需求如此巨大，仅靠这些材料无法满足需求。“我们需要的是能够大量获取的材料的正确组合，并能用它们生产出高质量、可靠的水泥，”该研究的合著者、PSI水泥系统研究组负责人John Provis说。

然而，找到这样的组合具有挑战性：“水泥本质上是一种矿物粘合剂——在混凝土中，我们使用水泥、水和砂石来人工制造矿物，将整个材料粘合在一起，”Provis解释道。“你可以说我们是在做加速版的地质学。”这种地质学——或者更准确地说，其背后的一系列物理过程——极其复杂，在计算机上建模相应地计算量大且昂贵。这就是研究团队依赖人工智能的原因。

人工智能作为计算加速器

人工神经网络是利用现有数据进行训练以加速复杂计算的计算机模型。在训练过程中，网络被输入一个已知数据集，并通过调整其内部连接的相对强度或“权重”来从中学习，从而能够快速可靠地预测类似关系。这种权重作为一种捷径——是替代计算密集型物理建模的一种更快方法。

PSI的研究人员也利用了这样一个神经网络。他们自己生成了训练所需的数据：“借助在PSI开发的开源热力学建模软件GEMS，我们计算了——针对各种水泥配方——硬化过程中形成的矿物以及发生的地球化学过程，”Nikolaos Prasianakis解释道。通过将这些结果与实验数据和力学模型相结合，研究人员能够推导出一个可靠的力学性能指标——从而得出水泥的材料质量指标。对于所使用的每种组分，他们还应用了相应的二氧化碳因子（一个特定的排放值），从而可以确定总的二氧化碳排放量。“这是一项非常复杂且计算密集的建模工作，”这位科学家说。

但付出是值得的——通过这种方式生成的数据，AI模型得以学习。“训练好的神经网络现在可以在毫秒内计算任意水泥配方的力学性能——这比传统建模快约一千倍，”Boiger解释道。

从输出到输入

现在如何利用这个AI来找到最优的水泥配方——即二氧化碳排放量尽可能低且材料质量高？一种可能的方法是尝试各种配方，使用AI模型计算其性能，然后选择最佳变体。然而，更有效的方法是逆转这个过程。与其尝试所有选项，不如反过来问问题：哪种水泥成分能满足关于二氧化碳平衡和材料质量的期望规格？

力学性能和二氧化碳排放都直接取决于配方。“从数学角度看，这两个变量都是成分的函数——如果成分改变，相应的属性也会改变，”这位数学家解释道。为了确定一个最优配方，研究人员将问题表述为一个数学优化任务：他们寻找一种能同时最大化力学性能和最小化二氧化碳排放的成分。“基本上，我们在寻找一个最大值和一个最小值——从中我们可以直接推导出期望的配方，”这位数学家说。

为了找到解决方案，该团队在工作流程中集成了另一项AI技术，即所谓的遗传算法——一种受自然选择启发的计算机辅助方法。这使他们能够有选择地识别出理想结合这两个目标变量的配方。

这种“逆向方法”的优势在于：你不再需要盲目测试无数种配方然后评估其产生的性能；相反，你可以有针对性地搜索那些满足特定期望标准的配方——在本例中，就是最大力学性能和最小二氧化碳排放。

潜力巨大的跨学科方法

在研究人员识别出的水泥配方中，已经有一些有前景的候选者。“其中一些配方确实具有潜力，”John Provis说，“不仅在减少二氧化碳和保证质量方面，而且在生产中的实际可行性方面也是如此。”然而，为了完成开发周期，这些配方必须先在实验室进行测试。“我们不会在未经测试的情况下立刻用它们去建一座塔，”Nikolaos Prasianaks微笑着说。

该研究主要作为概念验证——即证明仅通过数学计算就能识别出有前景的配方。“我们可以根据需要扩展我们的AI建模工具，并整合更多方面，例如原材料的生产或可得性，或者建筑材料的使用地点——例如在海洋环境中（水泥和混凝土表现不同），甚至在沙漠中，”Romana Boiger说。Nikolaos Prasianakis已经展望未来：“这仅仅是个开始。这样一个通用工作流程所节省的时间是巨大的——使其成为各种材料和系统设计的一个非常有前景的方法。”

没有研究人员的跨学科背景，这个项目不可能成功：“我们需要水泥化学家、热力学专家、AI专家——以及一个能将所有这些整合在一起的团队，”Prasianakis说。“此外，在SCENE项目框架内，与其他研究机构如EMPA的重要交流也至关重要。”SCENE（瑞士净零排放卓越中心）是一个跨学科研究计划，旨在为工业和能源供应中大幅减少温室气体排放开发科学合理的解决方案。该研究作为该项目的一部分进行。