使用优化的深度学习和大型语言模型预测混凝土抗压强度

为什么这对更安全、更环保的建筑很重要

混凝土支撑着我们的住宅、桥梁和隧道，但测定其强度通常需要等待数周的实验室结果。本研究探讨了先进人工智能如何仅凭配方快速且准确地预测混凝土强度。更快、更可靠的预测可以帮助工程师设计更安全的结构，减少实验室中浪费性试错，并更容易采用如工业副产物等低碳成分。

从杂乱的实验数据到清晰的数字成分

研究人员从一个大型公开的混凝土配合比数据集入手。每条记录列出所用水泥、矿渣、粉煤灰、水、化学添加剂、砂、碎石和养护时间的量，以及最终测得的强度。此类真实世界的数据常常不一致：测量可能缺失、单位各异、并且会有异常值。为了解决这些问题，团队使用大型语言模型——通常用于文本处理的通用人工智能系统——来帮助清洗和重构数据。这些模型用于指导诸如范围检查、名称和单位统一、创建有意义的派生量（如水胶比）以及处理异常值等任务。目标是将嘈杂的电子表格转变为每个配方的连贯且具物理意义的描述，便于学习算法消化。

教网络同时“看到”配方与时间

混凝土强度不仅取决于投入材料，还取决于材料随天数和周数养护时强度如何增长。以往的预测工具常常只关注成分或时间趋势，很少同时兼顾两者。本文使用时空图卷积网络，这类模型将每种成分（例如水泥、水、矿渣或添加剂）视为网络中的节点，连接反映它们相互作用的强度。同时模型沿时间轴学习这些组合随龄期增长强度的规律。实际上，模型学会了诸如“高水泥低水通常导致更快、更高的强度”之类的模式，同时也捕捉到矿渣、粉灰和化学试剂在不同养护期的更微妙作用。

让“类人”优化器为 AI 调参

即便是强大的神经网络，如果其内部设置（如学习率、层数或滤波器大小）选择不当，也会表现欠佳。作者没有手工调参，而是使用了一种名为 iHow 优化算法的新方法。该方法受人类学习方式启发，在广泛探索多种可能设计与对最有前景方案进行集中改进之间交替，同时保持一份关于已验证有效方案的内部记忆。这一优化器搜索图模型的网络结构与训练配置空间，旨在在避免过拟合的同时最小化预测误差。同一类优化思想也被用于特征选择，将输入项裁剪到信息量最大的部分，使模型保持紧凑且更易解释。

与其他人工智能工具相比效果如何？

团队对多种替代方法进行了广泛比较：标准深度网络、类视觉的变换器（transformer）、变分自编码器、物理启发网络，以及多种元启发式优化器（如粒子群和遗传算法）。他们还测试了由不同语言模型驱动的四种不同预处理流程，结果显示更好的清洗和特征构造显著提高了后续精度。在所有这些测试中，iHow 优化与时空图网络的组合在预测误差最低且与实测强度的一致性最高。方差分析和非参数秩检验等统计检验确认这些改进不太可能是偶然产生的。

这对未来施工实践意味着什么

简言之，研究表明：经过精心调优的基于图的 AI 模型，配以良好清洗的数据，能够比早期方法更可靠地预测混凝土强度。它既捕捉了成分与养护时间的相互作用，又使用“学习去学习”的优化器自我微调。作者强调，该方法仍需在更多样化的真实世界数据上检验，才能嵌入建筑规范或工厂控制系统，但它已指向一个未来：工程师可以在计算机上探索更环保的配方，并有信心预测强度将与之后在实验室或现场观测到的结果高度一致。

引用: Zaman, S., Eid, M.M., Mattar, E.A. et al. Predicting concrete compressive strength using optimized deep learning and large language models. Sci Rep 16, 11076 (2026). https://doi.org/10.1038/s41598-026-41072-7

关键词: 混凝土强度预测, 建筑中的深度学习, 图神经网络, 优化算法, 可持续混凝土材料