可快速生成可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(CO2)排放量约占全球总量的百分之八——比全球整个航空业都要多。保罗谢勒研究所（PSI）的研究人员开发了一个基于人工智能（AI）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拥有更优的碳足迹。

水泥厂的回转窑需加热至灼热的1400摄氏度，以将磨碎的石灰石烧成熟料，即即用水泥的原材料。不出所料，如此高温通常仅靠电力无法实现。它们是高能耗燃烧过程的结果，该过程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这些总量的一半，远远少于一半。大部分排放包含在生产熟料和水泥所需的原料中：在高温窑炉转化过程中，化学结合在石灰石中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的一个跨学科团队一直在研究的内容。研究人员没有仅仅依赖于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，使其在保持相同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Romana Boiger解释道。“我们无需在实验室测试数千种变体，就能使用我们的模型在几秒钟内生成实用的配方建议——这就像拥有一本用于气候友好型水泥的数字烹饪书。”

利用这种新颖的方法，研究人员能够有选择地筛选出那些符合预期标准的水泥配方。“材料成分的可能性范围——最终决定最终性能——极其广阔，”该研究的发起人兼合著者、PSI传输机制研究组组长Nikolaos Prasianakis说道。“我们的方法通过筛选有前景的候选配方进行进一步的实验研究，能显著加快开发周期。”该研究的结果发表在期刊《Materials and Structures》上。

合适的配方

如今，工业生产副产品，如炼铁产生的矿渣和燃煤电厂的粉煤灰，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。“我们需要的是正确组合那些能大量获取且能生产出高质量、可靠水泥的材料，”PSI水泥系统研究组组长、该研究的合著者John Provis说道。

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结剂——在混凝土中，我们使用水泥、水和砂砾来人工制造矿物质，将整个材料粘结在一起，”Provis解释道。“可以说，我们是在‘快进’做地质学。”这种地质学——或者更确切地说，其背后的物理过程集合——极其复杂，在计算机上建模相应地计算密集型且成本高昂。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，通过使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”来进行学习，从而能够快速可靠地预测类似关系。这种权重起到了一种捷径的作用——是对原本计算密集的物理建模的一种更快替代。

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——在硬化过程中形成哪些矿物质以及发生哪些地球化学过程，”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，研究人员能够导出一个可靠的力学性能指标——进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，这使得确定总二氧化碳排放量成为可能。“这是一项非常复杂且计算密集的建模工作，”这位科学家表示。

但付出是值得的——通过这些方式生成的数据，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出任意水泥配方的力学性能，而非需要几秒或几分钟——也就是说，比传统建模快大约一千倍，”Boiger解释道。

从输出到输入

现在如何利用这个AI来寻找最优的水泥配方——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，不如反过来提问：哪种水泥成分能满足关于二氧化碳平衡和材料质量的所需规格？

力学性能和二氧化碳排放量都直接取决于配方。“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。为了确定最优配方，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。“本质上，我们在寻找一个最大值和一个最小值——由此可以直接推论出所需的配方，”这位数学家说道。

为了找到解决方案，团队在工作流程中整合了另一项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了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；而是可以专门搜寻那些满足特定所需标准的配方——在此情况下，即最大力学性能与最小二氧化碳排放的组合。

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，”John Provis说道，“不仅在减少二氧化碳和保证质量方面，而且在生产的实际可行性方面也是如此。”然而，为了完成开发周期，这些配方必须首先在实验室中进行测试。“我们不会在未经测试的情况下就直接用它们建造高塔，”Nikolaos Prasianakis微笑着说道。

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AI建模工具，并整合更多方面，例如原材料的生产或可用性，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，甚至在沙漠中也是如此，”Romana Boiger说道。Nikolaos Prasianakis则展望未来：“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极具前景的方法。”

如果没有研究人员的跨学科背景，该项目永远无法实现：“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融合在一起的团队，”Prasianakis说道。“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。该研究是该项目的组成部分。