将机器学习与微观结构表征相结合，用硅灰和机制砂预测强度以实现可持续混凝土

为未来城市打造更强、更绿色的混凝土

混凝土是现代建筑、桥梁和道路的支柱——但其生产带来了沉重的环境代价，尤其来自水泥制造和河砂开采。本研究探讨通过将工业副产物掺入配合比并使用先进的计算模型预测性能，如何在提高强度的同时提升混凝土的可持续性。研究成果是一种配方，不仅减少了传统材料的使用，还为未来的构筑物提供了更强、更耐久的混凝土。

重新思考混凝土的原料

研究人员没有仅依赖普通水泥和天然河砂，而是设计了六种不同的混凝土配比。每种都使用了10%的粉煤灰（来自燃煤电厂的细粉）、不同含量的硅灰（硅生产的极细副产物），并将河砂完全替换为机制砂——经过加工以模拟天然砂的破碎岩石。这些材料按精确比例配合后，浇筑成立方体、圆柱体和梁。团队在养护7、28和90天后测试了各配合比的抗压、抗拉和抗弯性能，模拟混凝土在施工现场随时间增长强度的过程。

寻找强度的最佳点

所有改良混凝土的性能至少与标准配合相当，有些明显更优。表现最突出的配方含有10%粉煤灰、12%硅灰和100%机制砂。与参考配合相比，该配方在28天抗压强度约提高17%，在90天提高约20%，抗拉和抗弯强度也有类似提升。无损超声测试显示，这种混凝土不仅更强，而且内部质量优良，声波在其更致密的结构中传播更快。然而，研究还发现当硅灰掺量过高（18–24%）时，效益会开始下降，表明存在一个最佳窗口，而非“越多越好”。

在微观尺度上窥见混凝土内部

为了解为何最佳配比表现优异，团队通过电子显微镜和热分析观察硬化混凝土的内部。微观结构图像显示，粉煤灰和硅灰有助于形成致密的“胶状”网络，将砂和石紧密结合，孔隙和裂缝更少。化学扫描证实了钙硅比向已知能形成尤其稳定结合胶体的成分方向移动。热分析中，对微小样品进行缓慢加热，揭示了水分及其它组分的释放情况，将重量变化与关键内相的分解联系起来。综合这些探测手段表明，最佳配比生成了紧凑且连通性良好的内部骨架，能抵抗损伤并减缓水及其它通常会削弱混凝土的侵入。

让机器学习出最佳配方

由于对大量混凝土配合比进行实验室测试既费时又昂贵，研究人员还转向机器学习，根据配方成分和养护时间预测强度。仅用来自实验的54个精确测量数据点，他们训练了多种算法来预测某一配方的强度。表现最佳的方法是称为梯度提升的算法，它以极高的精度重现了测试强度，几乎在7、28和90天上都与实测结果相匹配。其它集成模型也表现良好，而简单的线性方法则表现不佳，这凸显了捕捉材料与强度之间复杂非线性关系的重要性。特征重要性分析显示，养护时间是影响强度的最主要因素，但硅灰、粉煤灰和机制砂的存在也起到了显著的辅助作用。

这对未来建筑意味着什么

对非专业读者而言，关键结论是：通过明智地结合工业副产物和工程砂，并用计算模型指导以减少反复试验，可以设计出既更绿色又性能更优的混凝土。研究指出了一个实用配方——使用10%粉煤灰、12%硅灰，并将河砂完全替换为机制砂——该配方在不增加水泥用量的情况下，能得到更强、更密实、更耐久的混凝土。配合可靠的机器学习工具，这一方法可以帮助施工者和工程师更快地迈向可持续建设，同时保持甚至提高我们建成环境的安全性和寿命。

引用: Chaitanya, B.K., Sri Durga, C.S., Thatikonda, N. et al. Integration of machine learning and microstructural characterization for strength forecasting with silica fume and M-sand for sustainable concrete. Sci Rep 16, 8858 (2026). https://doi.org/10.1038/s41598-026-43410-1

关键词: 可持续混凝土, 粉煤灰, 硅灰, 机制砂, 机器学习