机器学习驱动的3D打印工程水泥基复合材料性能优化设计研究

本文推荐了一种基于机器学习（ML）和多目标优化的3D打印工程水泥基复合材料（3DP-ECC）性能设计策略。通过实验和统计分析了3DP-ECC的压缩与弯曲强度各向异性，结合反向传播人工神经网络（BPANN）和非支配排序遗传算法（NSGA-II），实现了材料力学性能的精准预测与低碳低成本逆向设计，为智能建造提供了高效解决方案。

　　

Highlight

材料与配合比

本研究采用普通硅酸盐水泥（OPC）、粉煤灰（FA）和硅灰（SF）作为3DP-ECC的胶凝体系，并添加平均粒径0.11 mm的石英砂和120目胶粉（CR）以提升拉伸延性。聚乙烯（PE）纤维作为增强材料（详见表1），同时使用减水剂（SP）调控流变性。

3DP-ECC压缩与弯曲强度的各向异性

基于附录A的汇总数据，本节通过统计学方法揭示了3DP-ECC的力学各向异性。将3DP-ECC试件的强度值除以对应模具浇筑试件的强度值进行归一化处理（X/C、Y/C、Z/C分别代表X、Y、Z方向的力学各向异性）。图8展示了3DP-ECC力学各向异性的统计分布，均值表明打印方向对弯曲强度影响尤为显著。

基于性能的设计

如第2-3节结果所示，3DP-ECC（尤其是弯曲强度）存在显著力学各向异性。因此，其力学性能不仅受复杂原料配比影响，还与荷载方向密切相关。为实现特定性能目标的逆向设计，需建立精准的预测模型并整合多目标优化算法。

结论与展望

本研究通过ML与NSGA-II算法开发了3DP-ECC性能设计策略，实验与统计分析揭示了材料各向异性力学特性。该逆向设计方法在满足强度目标的同时，降低了碳足迹和成本。未来可进一步探索材料-结构一体化智能设计。

作者贡献声明

陈文光：原始稿撰写、方法论构建、数据整理与分析；梁龙：审稿与数据分析；叶俊宏：审稿与数据验证；刘灵飞：模型验证；Neven Ukrainczyk：概念设计与数据支持；尹立强：数据审核；余江涛：项目监督与资金获取。

利益冲突声明

作者声明无已知可能影响本研究的财务或个人利益冲突。

致谢

感谢国家自然科学基金（52108243）、上海市科委创新计划（CTKY-CYHYD-2023-005）、重庆市重点研发项目（CSTB2022TIAD-KPX0140）和重庆市自然科学基金（CSTB2022NSCQ-MSX1645）的支持。