可快速生成气候友好型水泥配方的人工智能

水泥行业约占全球二氧化碳排放量的8%——超过全球航空业的总排放量。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，可加速发现新型水泥配方，在保持相同材料质量的同时实现更优的碳足迹。

水泥厂的旋转窑需加热至1400摄氏度高温，将研磨后的石灰石烧成熟料（即现成水泥的原料）。这种高温通常无法仅靠电力实现，而是依赖高能耗的燃烧过程，并释放大量二氧化碳。但令人意外的是，燃烧过程产生的排放占比不到总量的一半——绝大部分排放其实来自生产原料：石灰石中化学结合的二氧化碳在高温窑炉转化过程中被释放。

一种有效的减排策略是改良水泥配方——用替代性胶凝材料部分替代熟料。这正是PSI核工程与科学中心废物管理实验室跨学科团队的研究方向。研究人员没有依赖耗时的实验或复杂模拟，而是开发了基于机器学习的建模方法。"通过模拟和优化水泥配方，我们能在保持优异机械性能的同时显著降低二氧化碳排放，"该研究第一作者、数学家罗曼娜·博伊格解释道，"这就像拥有一本数字化的气候友好型水泥食谱，能在数秒内生成实用配方建议，而无需实验室里测试上千种变体。"

这种新方法能精准筛选出符合标准的水泥配方。"决定最终性能的材料成分组合可能性极其庞大，"研究发起人、PSI传输机制研究组组长尼古拉奥斯·普拉西亚纳基斯指出，"我们的方法通过筛选有潜力的候选配方进行实验验证，大幅缩短了开发周期。"相关成果已发表于《材料与结构》期刊。

完美配方

目前工业副产品（如炼铁炉渣、燃煤电厂粉煤灰）已被用于部分替代熟料以减少排放。但全球水泥需求如此巨大，仅靠这些材料远不能满足。"我们需要的是大量可得且能生产高品质水泥的原料组合，"PSI水泥系统研究组负责人、研究合著者约翰·普罗维斯强调。

寻找这种组合极具挑战："水泥本质是矿物粘合剂——混凝土中我们用水泥、水和砂石人工合成矿物来固结材料，"普罗维斯解释道，"可以说我们在进行加速版的地质工程。"这种地质作用背后的物理过程极其复杂，计算机建模需要巨大算力。因此研究团队转向了人工智能。

AI作为计算加速器

人工神经网络通过现有数据训练来加速复杂计算。训练过程中，网络通过调整内部连接的"权重"来学习预测关联关系。这种加权机制成为替代高算力物理建模的捷径。

PSI研究人员利用自主生成的训练数据构建神经网络：借助PSI开发的开源热力学建模软件GEMS，他们计算了不同水泥配方硬化时的矿物形成与地球化学过程。结合实验数据和力学模型，团队建立了可靠的机械性能指标，并为每种成分赋予特定二氧化碳排放因子。"这是项极其复杂的建模工程，"普拉西亚纳基斯表示。

但付出获得了回报：训练后的神经网络现在能在毫秒级计算任意水泥配方的机械性能——比传统建模快约千倍。

逆向求解

为寻找最优配方（最低排放与最高质量），研究团队将问题转化为数学优化任务：寻求同时最大化机械性能和最小化排放的组分组合。他们引入遗传算法，像自然选择般精准锁定符合双重要求的配方。

这种逆向方法的优势在于：无需盲目测试海量配方，可直接针对特定标准进行搜索。

潜力巨大的跨学科研究

已确定的配方中不乏潜力候选。"某些配方不仅在减排和品质上表现优异，生产工艺也具备可行性，"普罗维斯指出。但最终应用前仍需实验室验证。"我们不会未经测试就直接用来建高塔，"普拉西亚纳基斯笑道。

本研究主要验证了纯数学计算筛选配方的可行性。"我们的AI工具可扩展整合更多维度，如原料获取、应用环境（海洋或沙漠等特殊场景），"博伊格表示。普拉西亚纳基斯展望道："这只是开始。这种通用工作流程带来的时间效益，使其对各种材料系统设计都具有革命性意义。"

该成果离不开跨学科协作："需要水泥化学家、热力学专家、AI专才的深度融合，"普拉西亚纳基斯强调，"SCENE项目框架下与瑞士联邦材料实验室等机构的交流也至关重要。"这项零排放卓越中心的研究计划，旨在为工业与能源领域的深度减排提供科学解决方案。