基于人工神经网络(ANN)的生态友好型工程地质聚合物复合材料(EGC)断裂响应定制模型开发

针对纤维增强地质聚合物复合材料(EGC)配合比设计复杂、实验成本高的问题，研究人员开发了基于人工神经网络(ANN)的多参数预测模型。该模型利用425组实验数据，通过18个输入参数精准预测抗压强度、抗拉强度、拉伸应变和峰后响应(应变硬化/软化)等4个关键性能指标，预测准确率达96%以上，为可持续建筑材料的智能化设计提供了创新解决方案。

　　

混凝土作为地球上使用量第二大的材料，其生产却面临着严峻的可持续发展挑战。普通硅酸盐水泥(OPC)生产消耗大量能源（约4GJ/吨），并排放大量CO₂（约1吨/吨），占全球温室气体排放的5-6%。地质聚合物(Geopolymer)作为一种环保替代材料，利用工业废料如矿渣(GGBFS)、粉煤灰等铝硅酸盐原料，通过碱激发反应制成，可减少80%的CO₂排放。然而，地质聚合物的脆性特性限制了其广泛应用，虽然纤维增强能显著改善其力学性能，但复杂的配合比设计成为制约其商业化应用的主要瓶颈。

针对这一难题，中国的研究团队在《Next Materials》发表了创新性研究成果。他们开发了基于人工神经网络(ANN)的预测模型，首次实现了对纤维增强地质聚合物复合材料(EGC)多参数性能的精准预测。研究收集了425组实验数据，涵盖18个输入参数（包括GGBFS、粉煤灰、Na₂SiO₃、NaOH等配合比参数，以及纤维体积率、长度、直径、抗拉强度等特性参数），可同时预测抗压强度、抗拉强度、拉伸应变和峰后响应（应变硬化或应变软化）4个关键性能指标。

研究采用Levenberg-Marquardt神经网络(LMNN)方法，通过5折交叉验证优化模型性能。数据预处理包括异常值剔除（9个样本）和Min-Max标准化处理。模型训练采用单独输出策略，针对不同性能参数优化隐藏层节点数（抗压强度52个、抗拉强度60个、拉伸应变56个、峰后响应45个）。

研究结果部分显示：

1. 预测结果：训练集的R²分别达到0.91（抗压强度）、0.83（抗拉强度）和0.94（拉伸应变），MAE分别为4.12MPa、0.37%和0.12%。峰后响应分类的AUC达0.98，准确率97.2%。
2. 模型验证：在独立验证集上，模型仍保持优异性能，R²分别为0.88、0.81和0.91，峰后响应预测准确率达100%。
3. 比较分析：虽然Ganesh等的单参数模型R²达0.99，但本研究的多参数预测更具实用价值，且性能优于Yaswanth等开发的GEP模型(R²=0.80)和RSM模型(R²=0.95)。

研究结论指出，该ANN模型为纤维增强地质聚合物复合材料提供了一种高效的智能化设计工具，可显著减少实验成本和时间，促进这种环保材料在可持续建筑中的实际应用。特别是模型首次实现了对EGC峰后响应（应变硬化/软化）的准确预测，这对材料的结构设计具有重要意义。

讨论部分强调，虽然模型表现出色，但其性能可能受原材料特性、纤维分散质量等因素影响。未来研究应扩大数据集覆盖更多材料体系，并考虑引入纤维-基体界面特性等微观参数，以进一步提升模型的普适性和物理可解释性。这项研究为推进绿色建筑材料的智能化设计提供了重要方法论，对实现碳中和目标具有积极意义。