據美國《科學日報》網站6月19日報道，人工智能開辟“綠色水泥”新路徑。
水泥行業碳排放量占全球總量8%，超過全球航空業總和。瑞士謝樂研究所的科研團隊開發了基于人工智能的模型，可加速發現新型水泥配方，在保證材料質量的同時改善碳足跡。
水泥廠的回轉窯需加熱至1400攝氏度高溫，將研磨后的石灰石煅燒成熟料，即成品水泥的原材料。不足為奇的是，僅靠電力通常無法達到如此高溫。這些溫度源自高能耗的燃燒過程，會排放大量二氧化碳。但令人意外的是，燃燒過程產生的二氧化碳不到這些排放量的一半，甚至更少。大部分排放的二氧化碳來自生產熟料和水泥的原材料，即石灰石中化學結合的二氧化碳，在高溫窯爐轉化過程中釋放出來。
一種極具潛力的減排方案是調整水泥配方本身，即用其他膠凝材料替代部分熟料。
這正是瑞士謝樂研究所核工程與科學中心廢物管理實驗室的跨學科團隊研究的課題。研究人員摒棄了單純依賴耗時實驗或復雜模擬的傳統方法，開發出基于機器學習的建模技術。該研究第一作者、數學家羅曼娜·博伊格解釋道：“通過該模型，我們能在保持水泥優異機械性能的同時，模擬并優化配方使其二氧化碳排放量大幅降低。無需在實驗室測試成千上萬種配比，我們利用模型幾秒內即可生成實用配方建議，這就像擁有一本氣候友好型水泥的數字食譜。”
通過這種創新方法，研究人員能夠精準篩選出符合預期標準的水泥配方。該研究的發起人兼合著者、謝樂研究所傳輸機制研究組負責人尼古勞斯·普拉西亞納基斯指出：“最終決定成品性能的關鍵因素是材料成分，它的可能性范圍極其廣闊。我們的方法通過篩選有潛力的候選配方進行后續實驗驗證，可大幅縮短研發周期。”該研究成果已發表在《材料與結構》期刊上。
謝樂研究所水泥系統研究組負責人、該研究的合著者普羅維斯解釋道：“水泥本質上是一種礦物黏結劑。在混凝土中，我們通過水泥、水和礫石人工合成礦物，將整個材料凝結成一體。可以說，我們是在以快進方式模擬地質作用。”這種地質作用，或者說其背后的物理過程，極其復雜，用計算機建模相應地就需要巨大的計算量，且成本高昂。正因如此，研究團隊選擇借助人工智能技術。
謝樂研究所的科研人員同樣采用了神經網絡技術。他們自主生成了訓練所需的數據集。普拉西亞納基斯解釋道：“借助謝樂研究所開發的開源熱力學建模軟件GEMS，我們針對不同水泥配方，計算了硬化過程中形成的礦物類型及伴隨的地球化學過程。”通過將這些計算結果與實驗數據、力學模型相結合，研究人員最終推導出可靠的力學性能指標，進而實現對水泥材料質量的評估。針對每種原料組分，他們還引入了相應的二氧化碳因子（特定排放系數），從而能夠精確測算總碳排放量。普拉西亞納基斯坦言：“這是一項極其復雜且計算密集的建模工程。”
但這份付出獲得了回報。通過這種方式生成的數據，人工智能模型成功實現了學習。項目負責人博伊格解釋道：“經過訓練的神經網絡現在僅需毫秒級時間就能計算出任意水泥配方的力學性能，相比傳統建模方法提速約千倍，而傳統方法往往需要數秒甚至數分鐘才能完成相同計算。”
那么，如何利用這種人工智能系統來優化水泥配方，實現低碳排放與高品質平衡？一種可能性就是生成多種配方組合，調用人工智能模型計算各配方的力學性能，篩選綜合表現最優的方案。不過，更高效的解決方案是采用逆向工程思維。突破傳統“試錯—篩選”模式，建立目標導向的逆向求解機制：哪一種水泥配比方案能滿足二氧化碳平衡與材料質量要求？
這種“逆向求解機制”的優勢在于，無需盲目測試海量配方并評估其性能，可直接針對目標參數進行精準搜索，在此情境下，就是實現力學性能最大化與二氧化碳排放最小化的要求。
研究人員篩選出的水泥配方中，已有若干具備應用前景的候選方案。普羅維斯指出：“部分配方具備真實潛力，不僅體現在碳減排效果與成品質量上，還表現在其工業化生產的可行性上。”但要完成研發流程的周期，這些配方仍需通過實驗室驗證階段。普拉西亞納基斯笑著說：“在完成實驗室測試前，我們不會貿然用它來蓋樓。”
