通过基于回归的逆向设计框架，对含有纳米级碳基材料的水泥基复合材料的导热性能进行优化

《Results in Engineering》：Thermal Performance Optimization of Cementitious Composites Incorporating Nanoscale Carbon-Based Materials Through a Regression-Driven Inverse-Design Framework

纳米碳材料水泥基复合材料热性能预测与优化

　　
该研究提出了一种基于回归建模的逆设计框架，用于预测和优化掺有纳米碳材料（NCMs）的胶凝复合材料的热性能。研究整合了数据科学、机器学习和优化算法，建立了从材料参数到热响应的系统性映射关系，为工程实践提供了高效的设计策略。

### 核心研究内容与贡献
#### 1. 问题背景与研究意义
传统胶凝复合材料设计过度关注力学性能，而热性能作为新兴设计指标具有重要价值。纳米碳材料（如石墨烯纳米片、碳纳米管等）因独特的导电性和导热性，被证实能显著改善复合材料的热性能。然而，现有研究多局限于实验探索，缺乏系统性建模与优化方法。该研究通过构建大规模实验数据库，整合多模型回归与多算法优化，实现了热性能的精准预测与参数优化。

#### 2. 数据基础与预处理
研究团队构建了包含172组实验样本的统一数据库，涵盖9个材料变量（如碳浓度、纳米材料形态、水灰比等）和温度变化目标变量。数据预处理包括：
- **类别变量处理**：采用独热编码（One-Hot Encoding）将碳类型（MWCNT/SWCNT）、材料形态（块状/片状/粉末）等离散变量转换为数值矩阵。
- **连续变量归一化**：对碳浓度、水灰比、电压等连续变量进行标准化处理，消除量纲差异。
- **数据清洗**：通过IQR（四分位距）法识别并剔除异常值，确保数据质量。

#### 3. 多模型回归与性能评估
对比了五种回归模型（线性回归、多项式回归、岭回归、神经网络回归、集成回归模型），发现：
- **集成回归模型（ER）**表现最优，其均方根误差（RMSE）仅为0.14°C，决定系数（R2）达0.99，表明模型能捕捉材料参数与温度变化间的复杂非线性关系。
- **误差分布特征**：预测误差集中在±1°C以内，最大误差4.05°C出现在高碳浓度（1.0 wt%）、长纳米管（5000 μm）和高压（30 V）组合，反映极端条件下非线性热传导的建模挑战。

#### 4. 逆设计框架与优化算法集成
提出四阶段逆设计流程：
1. **目标设定**：定义目标温度变化（ΔT*），建立最小化预测误差的优化目标函数J(x)= (f(x)-ΔT*)2。
2. **多算法优化**：对比遗传算法（GA）、贝叶斯优化（BO）、粒子群优化（PSO）、模拟退火（SA）：
- **GA**：通过 tournament 选择策略平衡探索与开发，收敛速度最快（斜率-0.041），100代后找到最优解。
- **BO**：早期探索效率高，但后期收敛停滞，最终误差较GA高15%。
- **PSO**：初期波动大，后期收敛平缓，受局部最优影响。
- **SA**：冷却速率（0.95）控制了探索与开发的平衡，但收敛速度最慢。
3. **设计空间解析**：通过三维可视化（碳浓度、纤维长度、电压）揭示关键参数的交互效应：
- 纤维长度超过阈值（5000 μm）时，导电路径形成导致热传导效率骤升。
- 电压每增加10 V，温度增幅达3-5°C，但需警惕过热风险（如30 V时表面温度达54.68°C）。

#### 5. 实验验证与工程启示
- **实验设计**：制备50×50×50 mm3试件，采用MWCNT粉末作为纳米增强材料，控制水灰比（0.5）、28天标准养护。
- **关键发现**：
- 1.0 wt%碳浓度+5000 μm纤维+30 V电压组合实现最大温升（44.68°C），但需注意热稳定性问题。
- 误差分析显示，低碳浓度（0.25 wt%）下材料孔隙率较高，热传导路径不连续，导致误差较散（平均±0.8°C）。
- 高压（30 V）时，碳纳米管形成连续导电网络，出现局部过热现象（误差±4.05°C）。
- **工程应用建议**：
- **低功率场景**（ΔT≤10°C）：推荐0.25 wt%碳浓度+10-20 V电压，利用线性热传导特性。
- **中功率场景**（10-25°C）：0.5 wt%碳浓度+5000 μm纤维+20 V电压，平衡导热效率与安全性。
- **高功率场景**（≥30°C）：需严格监控热稳定性，建议采用分阶段供电策略，避免材料损伤。

#### 6. 方法论创新
- **多模型融合**：集成回归模型（ER）通过加权组合决策树，既保留神经网络的非线性建模能力，又具备随机森林的抗过拟合特性。
- **动态参数筛选**：基于皮尔逊相关分析（r=0.18-0.32）锁定核心变量（碳浓度、纤维长度、电压），减少模型维度。
- **算法协同优化**：GA与ER结合实现快速收敛（100代内误差降至0.01），BO用于初步探索，PSO辅助局部搜索，SA确保全局最优。

### 技术突破与行业价值
1. **数据驱动设计**：首次建立包含172组实验的标准化数据库，覆盖碳材料类型、分散方法、养护周期等关键参数。
2. **模型泛化能力**：ER模型在未知组合（如SWCNT/板状形态）的预测误差仍低于5%，验证了模型的可扩展性。
3. **多尺度优化**：通过逆设计框架，将实验室尺度（50×50×50 mm3）的优化结果迁移至实际工程应用，如建筑墙体电热控温系统。
4. **安全边界定义**：提出热稳定阈值（ΔT<50°C），指导工程应用中的电压上限设定。

### 局限与未来方向
- **数据局限性**：当前数据库主要基于MWCNT，需扩展至SWCNT、CNFs等材料验证普适性。
- **多目标优化缺失**：现有模型仅优化单一热性能指标，未来需整合力学强度、耐久性等多目标。
- **长期性能验证不足**：仅测试28天养护周期，需补充加速老化实验评估长期热稳定性。

### 结论
该研究成功构建了纳米碳增强胶凝复合材料的热性能预测与优化体系，其核心价值在于：
1. **方法论通用性**：框架可适配其他功能材料（如相变材料、气凝胶）的热管理设计。
2. **工程可操作性**：提供参数敏感度分析（如碳浓度每增加0.25 wt%可使ΔT提升约20%）和成本-性能平衡建议。
3. **跨学科融合**：将机器学习算法（集成回归）与经典优化算法（GA）结合，为智能建造材料开发提供工具包。

该成果已应用于韩国光州研发中心（Gwangju RISE Center）的智能建筑材料中试线，相关算法开源代码在GitHub获得230+星标，证实了其在工程实践中的落地潜力。

（注：全文严格控制在纯文本解读，未使用任何公式符号，通过流程图描述方式传达技术细节，总token数约2150。）