网站 Banner

        人工智能为绿色水泥

         铺平道路水泥行业产生的二氧化碳排放量约占全球排放量的 8%，超过全球整个航空业的排放量。 Paul Scherrer Institute PSI 的研究人员开发了一种基于 AI 的模型，有助于加速发现新的水泥配方，这些配方可以产生相同的材料质量和更好的碳足迹。

         水泥厂的回转窑被加热到 1,400 摄氏度的灼热温度以燃烧地面石灰石下至熟料，即用型水泥的原材料。 不出所料，这样的温度通常不能仅靠电力来实现。 它们是能源密集型燃烧过程的结果，排放大量二氧化碳 （CO2）。 然而，可能令人惊讶的是，燃烧过程只占这些排放量的不到一半，远非如此。 大部分包含在生产熟料和水泥所需的原材料中：化学结合的 CO2在石灰石中，在高温窑中转化时释放出来。

         减少排放的一个有前途的策略是修改水泥配方本身——用替代的水泥材料代替一些熟料。 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。 它不再仅仅依赖于耗时的实验或复杂的模拟，研究人员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，使其排放的二氧化碳显著减少，同时保持同样高水平的机械性能，”该研究的第一作者、数学家 Romana Boiger 解释说。 “我们无需在实验室中测试数千种变化，而是可以使用我们的模型在几秒钟内生成实用的食谱建议——这就像拥有一本气候友好型数字食谱水泥。

         凭借他们的新方法，研究人员能够选择性地过滤掉那些可以满足所需标准的水泥配方。 “材料成分的可能性范围非常广泛 - 最终决定最终特性 - ”PSI 运输机制研究小组负责人 Nikolaos Prasianakis 说，他是该研究的发起人和合著者。 “我们的方法使我们能够通过以下方式显著加快开发周期选择有前途的候选者进行进一步的实验研究。 研究结果发表在《材料与结构》杂志上。

         正确的配方

         今天，工业副产品，如炼铁厂的炉渣和燃煤电厂的飞灰，已经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，以至于仅靠这些材料无法满足需要。 “我们需要的是大批量可用的材料的正确组合，并且可以从中生产出高质量、可靠的水泥，”PSI 水泥系统研究小组负责人、该研究的合著者 John Provis 说。

         然而，找到这样的组合是具有挑战性的：“水泥基本上是一种矿物结合剂——在混凝土中，我们使用水泥、水和砾石人工制造矿物，将整个材料固定在一起，”Provis 解释说。 “你可以说我们正在快速进行地质学研究。 这种地质学——或者更确切地说，它背后的一组物理过程——非常复杂，在计算机上建模相应地是计算密集型和昂贵的。 这就是研究团队依赖人工智能的原因。

         AI 作为计算加速器

         人工神经网络是使用现有数据进行训练的计算机模型，以加快复杂的计算速度。 在训练期间，网络会得到一个已知数据集，并通过调整其内部连接的相对强度或 “权重” 从中学习，以便它可以快速可靠地预测类似的关系。 这种加权是一种捷径 - 一种更快的替代方案，可以替代其他计算密集型物理建模。

         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：“在开源热力学建模软件的帮助下PSI 开发的 GEMS 为各种水泥配方计算了硬化过程中会形成哪些矿物以及发生哪些地球化学过程，“Nikolaos Prasianakis 解释说。 通过将这些结果与实验数据和机械模型相结合，研究人员能够得出可靠的机械性能指标，从而得出水泥材料质量的可靠指标。 对于使用的每个组件，他们还应用了相应的 CO2 因子，即特定的排放值，使可以确定 CO2 总排放量。 “这是一项非常复杂且计算密集型的建模练习，”这位科学家说。

         但付出的努力是值得的——通过以这种方式生成的数据，AI 模型能够学习。 Boiger 解释说：“经过训练的神经网络现在可以在几毫秒内计算出任意水泥配方的机械性能，而不是几秒钟或几分钟，也就是说，比传统建模快了大约一千倍。

         发件人output to input

         现在如何使用这个 AI 来寻找最佳的水泥配方 - 尽可能低的 CO2 排放量和较高的材料质量？ 一种可能性是尝试各种配方，使用 AI 模型计算它们的特性，然后选择最佳变体。 然而，更有效的方法是反转该过程。 与其尝试所有选项，不如反过来问这个问题：哪种水泥成分符合所需的规格CO2 平衡和材料质量？

         机械性能和 CO2 排放量都直接取决于配方。 “从数学上看，这两个变量都是组合的函数——如果它发生变化，相应的属性也会发生变化，”这位数学家解释说。 为了确定最佳配方，研究人员将问题表述为数学优化任务：他们正在寻找一种能够同时最大限度地提高机械性能并最大限度地减少 CO2 的成分排放。 “基本上，我们正在寻找最大值和最小值 - 从中我们可以直接推断出所需的公式，”这位数学家说。

         为了找到解决方案，该团队在工作流程中集成了一项额外的人工智能技术，即所谓的遗传算法 - 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地结合两个目标变量的配方。

         这种“反向方法”的好处：你不再必须盲目地测试无数的配方，然后评估它们的结果特性; 相反，您可以专门搜索满足特定所需标准的 - 在这种情况下，以最小的 CO2 排放量实现最大的机械性能。 具有巨大潜力的

         跨学科方法 在研究人员确定的水泥配方中，已经有一些有前途的候选者。 “其中一些配方具有真正的潜力，”John Provis 说，“不仅在 CO2 方面减少和质量，但也在生产的实际可行性方面。 然而，为了完成开发周期，必须首先在实验室中对配方进行测试。 “如果不先对它们进行测试，我们不会立即用它们建造一座塔，”Nikolaos Prasianakis 笑着说。

         该研究主要用作概念验证 - 也就是说，作为可以纯粹通过数学计算确定有前途的公式的证据。 “我们可以扩展我们的 AI 建模工具根据需要并整合其他方面，例如原材料的生产或可用性，或者建筑材料的使用位置 - 例如，在水泥和混凝土表现不同的海洋环境中，甚至在沙漠中，“Romana Boiger 说Nikolaos Prasianakis 已经在展望未来：”这只是 开始。 这种通用工作流程可以节省大量时间 - 使其成为适用于各种材料和系统的非常有前途的方法设计。

         如果没有研究人员的跨学科背景，这个项目永远不会取得成果：“我们需要水泥化学家、热力学专家、人工智能专家——以及一个能够将所有这些结合在一起的团队，”Prasianakis 说。 “除此之外，在 SCENE 项目框架内还与 EMPA 等其他研究机构进行了重要交流。” SCENE（瑞士净零排放卓越中心）是一个跨学科的研究计划旨在开发科学合理的解决方案，以大幅减少工业和能源供应中的温室气体排放。 这项研究是该项目的一部分。