在几秒钟内编写气候友好型水泥配方的人工智能
人工智能为绿色水泥 铺平道路水泥行业的二氧化碳排放量约占全球 8%，超过全球整个航空业。 Paul Scherrer Institute PSI 的研究人员开发了一种基于人工智能的模型，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灼热的 1,400 摄氏度以燃烧地面石灰石到熟料，熟料是即用型水泥的原料。 毫不奇怪，仅靠电力通常无法达到这样的温度。 它们是排放大量二氧化碳 （CO2） 的能源密集型燃烧过程的结果。 然而，可能令人惊讶的是，燃烧过程占这些排放量的不到一半，远少得多。 大部分包含在生产熟料和水泥所需的原材料中：化学结合的二氧化碳在石灰石在高温窑中转化过程中释放出来。 减少排放的一个有前途的策略是修改水泥配方本身——用替代水泥材料取代一些熟料。 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。 与其仅仅依赖耗时的实验或复杂的模拟，不如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着减少，同时保持相同的高水平机械性能，”该研究的第一作者、数学家 Romana Boiger 解释道。 “我们无需在实验室中测试数千种变体，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。 通过他们的新方法，研究人员能够有选择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——最终决定了最终的特性，”PSI 传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着加快开发周期：选择有希望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 如今，工业副产品（例如炼铁产生的炉渣和燃煤电厂的粉煤灰）已经被用来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之大，仅靠这些材料无法满足需要。 “我们需要的是大量可用的材料的正确组合，并且可以从中生产高质量、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，找到这样的组合具有挑战性：“水泥基本上是一种矿物粘合剂——在混凝土中，我们使用水泥、水和砾石来人工制造矿物，将整个材料粘合在一起，”Provis 解释道。 “你可以说我们正在快速进行地质学。 这种地质——或者更确切地说，它背后的一组物理过程——非常复杂，在计算机上对其进行建模相应地需要大量计算和昂贵。 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以加速复杂计算的计算机模型。 在训练期间，网络被馈送已知数据集，并通过调整其内部连接的相对强度或“权重”来从中学习，以便它可以快速可靠地预测类似的关系。 这种权重是一种捷径 - 一种更快的替代方法，可以替代计算密集型的物理建模。 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GEMS 由 PSI 开发，我们计算了各种水泥配方在硬化过程中形成哪些矿物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二氧化碳系数，即使可以确定二氧化碳排放总量。 “这是一项非常复杂且计算密集型的建模工作，”这位科学家说。 但这是值得的——通过以这种方式生成的数据，人工智能模型能够学习。 “训练有素的神经网络现在可以在几毫秒内计算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，比传统建模快大约一千倍，”Boiger 解释道。 从输出到输入 现在如何使用这种人工智能来寻找最佳的水泥配方 - 尽可能低的二氧化碳排放量和高材料质量？ 一种可能性是尝试各种配方，使用人工智能模型计算其特性，然后选择最佳变体。 然而，更有效的方法是逆转这一过程。 与其尝试所有选项，不如反过来提出问题：哪种水泥成分符合所需的规格CO2 平衡和材料质量？ 机械性能和二氧化碳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——如果这种情况发生变化，各自的属性也会发生变化，”这位数学家解释道。 为了确定最佳配方，研究人员将问题表述为数学优化任务：他们正在寻找一种同时最大限度地提高机械性能和最小化二氧化碳的成分排放。 “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，”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种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理想地结合两个目标变量的配方。 这种“反向方法”的优势：您不再必须盲目测试无数的食谱，然后评估其最终特性; 相反，您可以专门搜索那些满足特定所需标准的产品 - 在这种情况下，最大的机械性能和最小的二氧化碳排放量。 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，已经有一些有前景的候选者。 “其中一些配方具有真正的潜力，”John Provis 说，“不仅在二氧化碳方面减少和质量，而且在生产的实际可行性方面也是如此。 然而，要完成开发周期，必须首先在实验室中测试配方。 “我们不会在没有先测试它们的情况下立即用它们建造一座塔，”尼古拉斯·普拉西亚纳基斯笑着说。 该研究主要作为概念证明——也就是说，作为纯粹通过数学计算可以识别有前途的配方的证据。 “我们可以扩展我们的人工智能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，或建筑材料的使用地点 - 例如，在海洋环境中，水泥和混凝土的行为不同，甚至在沙漠中，“Romana Boiger 说Nikolaos Prasianakis 已经展望未来：”这只是 开始。 这种通用工作流程节省了大量时间 - 使其成为各种材料和系统的一种非常有前途的方法设计。 如果没有研究人员的跨学科背景，该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整合在一起的团队，”普拉西亚纳基斯说。 “除此之外，在 SCENE 项目框架内与 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）是一个跨学科研究项目其目的是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。 该研究是作为该项目的一部分进行的。