中国建材总院绿色建筑材料国家重点实验室“绿色建筑材料组成、结构与性能的应用基础研究团队近期在《硅酸盐学报》发表了题为”机器学习方法用于水泥基材料的研究进展”的论文。
↓论文链接↓
机器学习方法用于水泥基材料的研究进展 - 中国知网 (cnki.net)
https://link.cnki.net/doi/10.14062/j.issn.0454-5648.20230925
机器学习（ML）是一门介于计算机科学和统计学之间的交叉学科。2024 诺贝尔物理学奖授予了机器学习奠基人 John J. Hopfield 和 Geoffrey E. Hinton 。机器学习包括从数据收集、性能预测到实验验证的完整循环过程，其可建立特征参量与目标性能之间的隐形映射关系，使研究人员更容易理解材料成分-结构-组织-性能的构效关系，从而实现材料多层次、多维度目标量的有效预测，推动材料研发由“经验+试错”向“数据驱动”研发模式转变。在水泥基材料研究领域，机器学习能够从大量实际生产或实验数据中学习模式和规律，预测其抗压强度、抗碳化能力、微观结构形貌等，其可解决在描述水泥基材料组成、工艺参数、结构与性能关系时存在的大时滞和长周期等问题，在提高水泥基材料研发、生产和应用效率方面展现了广阔应用前景。
“绿色建筑材料组成、结构与性能的应用基础研究”团队近年来围绕水泥基材料数字化研发方向开展了深入研究，取得了丰硕研究成果。本文介绍了机器学习的特征及其应用流程，重点分析了近年来机器学习在预测水泥基材料结构、组分和性能等方面的研究进展，并比较了不同机器学习模型算法的特性及其优势。研究取得的成果如下：
研究成果：
1. 机器学习在水泥基材料研究中的应用：机器学习可以通过数据驱动的方式预测水泥基材料的微观结构、组分、力学性能和耐久性，可显著提升研发效率。
2. 特征提取与数据分析能力：机器学习模型可通过对大量实验或生产数据的学习，准确预测水泥基材料的抗压强度、微观结构等特性，从而弥补传统经验试错法的局限性。
3. 不同模型的比较与优化：分析了神经网络、支持向量机、决策树等几种常见机器学习模型，并通过特征工程与算法优化，提高了模型的预测精度。
4. 应用案例：展示了机器学习在水泥基材料微观结构表征、28天抗压强度预测等方面的应用，结果表明随机森林、支持向量机等算法模型可获得较高精度的结果。
展望与挑战：虽然机器学习在水泥基材料的研究中取得了重大进展，但在数据质量及模型可解释性等方面仍然存在挑战。提升数据质量和建立全面的数据库，以及提高模型的可解释性和泛化能力等，将是下一步发展方向。
机器学习在材料研究中的应用流程
主要创新点：
1. 详细分析了机器学习在水泥基材料研究中的应用情况及其案例，系统地探讨了其在预测微观结构、组分、力学性能和耐久性方面的最新进展。
2. 对多种机器学习模型在水泥基材料中的应用效果进行了详细比较，提出了通过优化算法提高模型预测性能的创新策略，并展示了这些方法在不同应用场景中的适用性与优势。针对数据质量不高与数量不平衡、模型可解释性不足等问题，建议采取建立全面的数据库、融合机器学习与物理模型等措施。
3. 指明了机器学习在水泥基材料研究中的发展方向：不仅要提升数据质量和建立全面的数据库，更要在提高模型的可解释性和泛化能力等方面开展更深入的研究。
研究团队简介：
绿色建筑材料国家重点实验室“绿色建筑材料组成、结构与性能的应用基础研究“团队，以中央企业劳动模范、全国建材行业优秀科技工作者和中国硅酸盐学会青年科技奖获得者等为学术带头人，围绕国家“双碳”战略，针对行业数智化转型迫切需求，近年围绕新型低碳水泥熟料及机器学习方法应用与软件开发等创新工作，承担了国家自然科学基金重点项目、中国建材集团原创技术策源地“揭榜挂帅”项目以及“十四五”国家重点研发计划项目等20余项项目。
