可在几秒内生成环保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总量的百分之八——超过全球整个航空业的排放量。保罗·舍勒研究所（Paul Scherrer Institute, PSI）的研究人员开发了一种基于人工智能的模型，该模型有助于加速发现新的水泥配方，这些配方可以在保证相同材料质量的同时获得更好的碳足迹。

水泥厂的旋转窑需加热至灼热的1400摄氏度，将磨碎的石灰石煅烧成熟料（即即用型水泥的原材料）。毫不意外，如此高的温度通常无法仅靠电力实现。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不到总排放量的一半，且远低于此。大部分排放包含在生产熟料和水泥所需的原材料中：高温窑炉转化过程中，石灰石中化学结合的二氧化碳会被释放出来。

一种有前景的减排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所研究的方向。研究人员没有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。"这使我们能够模拟和优化水泥配方，使其在保持同等高水平力学性能的同时显著减少二氧化碳排放，"该研究的第一作者、数学家罗曼娜·博伊格（Romana Boiger）解释道。"我们无需在实验室测试数千种变体，而是可以通过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化食谱。"

利用这种新颖方法，研究人员能够有选择地筛选出符合预期标准的水泥配方。"材料成分（最终决定最终性能）的可能性范围极其广泛，"该研究的发起人及合著者、PSI传输机制研究组负责人尼科劳斯·普拉西亚纳基斯（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实验研究，显著加快了开发周期。"该研究的结果发表在期刊《Materials and Structures》上。

正确的配方

目前，工业副产品如炼铁产生的矿渣和燃煤电厂的飞灰已被用于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并能生产出高质量、可靠水泥的材料的正确组合，"该研究的合著者、PSI水泥系统研究组负责人约翰·普罗维斯（John Provis）说。

然而，寻找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、水和砾石来人工制造矿物，将整个材料粘结在一起，"普罗维斯解释道。"可以说我们是在快进模式下进行地质学研究。"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密集且昂贵。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

人工神经网络是一种计算机模型，它利用现有数据进行训练，以加速复杂计算。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，使其能够快速可靠地预测类似关系。这种权重作为一种捷径——替代其他计算密集型物理建模的更快速方案。

PSI的研究人员也利用了这样的神经网络。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，我们计算了不同水泥配方在硬化过程中形成的矿物以及发生的地球化学过程，"尼科劳斯·普拉西亚纳基斯解释道。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力学性能的可靠指标——进而推导出水泥的材料质量。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，"这位科学家说道。

但这些努力是值得的——通过这种方式生成的数据，人工智能模型得以学习。"训练后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，而不再是秒或分钟级别，"博伊格解释道。

从输出到输入

现在如何利用这种人工智能来寻找最佳水泥配方——即二氧化碳排放量尽可能低且材料质量高？一种可能是尝试各种配方，利用人工智能模型计算其性能，然后选择最佳变体。然而，更高效的方法是逆转这个过程。不是尝试所有选项，而是反过来提问：哪种水泥成分能满足二氧化碳平衡和材料质量方面的期望规格？

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，相应的特性也会改变，"这位数学家解释道。为确定最佳配方，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。"本质上，我们在寻找一个最大值和一个最小值——由此可以直接推导出所需的配方，"这位数学家说。

为找到解决方案，该团队在工作流程中整合了另一项人工智能技术，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两个目标变量的配方。

这种"逆向方法"的优势在于：不再需要盲目测试无数配方然后评估其产生的性能；相反，可以专门搜索那些满足特定期望标准（在本例中，即最大力学性能和最小二氧化碳排放）的配方。

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方案。"其中一些配方具有真正的潜力，"约翰·普罗维斯说，"不仅在二氧化碳减排和质量方面，而且在生产的实际可行性方面也是如此。"然而，为完成开发周期，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直接用它们建造一座塔，"尼科劳斯·普拉西亚纳基斯笑着说。

该研究主要作为概念验证——即证明有前景的配方可以纯粹通过数学计算来识别。"我们可以根据需要扩展我们的人工智能建模工具，并整合其他方面，例如原材料的产量或可获得性，或者建筑材料的使用地点——例如在海洋环境中（水泥和混凝土的表现不同），甚至在沙漠中，"罗曼娜·博伊格说道。尼科劳斯·普拉西亚纳基斯已展望未来："这仅仅是个开始。这种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中非常有前景的方法。"

若没有研究人员的跨学科背景，该项目将无法实现："我们需要水泥化学家、热力学专家、人工智能专家——以及一个能将所有这些整合在一起的团队，"普拉西亚纳基斯说。"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）是一个跨学科研究项目，旨在为工业和能源供应领域大幅减少温室气体排放制定科学合理的解决方案。该研究作为该项目的一部分进行。