作为建筑材料，混凝土经得起时间的考验。它的使用可以追溯到早期文明，今天它是世界上最受欢迎的复合材料选择。然而，它并非没有缺点。其关键成分水泥的生产占全球人为 CO 2排放量的8-9%和能源消耗量的 2-3%，预计未来几年还会增加。随着美国基础设施老化，联邦政府最近通过了一项具有里程碑意义的法案，以振兴和升级它，并尽可能减少温室气体排放，也将混凝土放在现代化的十字准线中。

麻省理工学院材料科学与工程系 Esther 和 Harold E. Edgerton 副教授 Elsa Olivetti 以及麻省理工学院-IBM Watson AI Lab 研究科学家兼经理 Jie Chen 认为，人工智能可以通过设计和制定新的，更可持续的混凝土混合物，具有更低的成本和二氧化碳排放量，同时提高材料性能并重复利用材料本身的制造副产品。Olivetti 的研究提高了材料的环境和经济可持续性，Chen 开发和优化了机器学习和计算技术，他可以将这些技术应用于材料重组。Olivetti 和 Chen 以及他们的合作者最近联手开展了 MIT-IBM Watson AI Lab 项目，旨在使混凝土更具可持续性，以造福社会、气候和经济。

问：混凝土有哪些应用，哪些特性使其成为首选的建筑材料?

Olivetti：混凝土是全球主要的建筑材料，年消耗量为 300 亿公吨。这是第二大生产材料钢铁的 20 多倍，其使用规模会导致相当大的环境影响，约占全球温室气体 (GHG) 排放量的 5-8%。它可以在本地制造，具有广泛的结构应用，并且具有成本效益。混凝土是细骨料和粗骨料、水、水泥粘合剂(胶水)和其他添加剂的混合物。

问：为什么它不可持续，你想通过这个项目解决哪些研究问题?

Olivetti：社区正在研究多种方法来减少这种材料的影响，包括用于加热水泥混合物的替代燃料、提高能源和材料效率以及生产设施的碳封存，但一个重要的机会是开发一种替代材料水泥粘合剂。

虽然水泥占混凝土质量的 10%，但它占温室气体足迹的 80%。这种影响源于燃料燃烧以加热和运行制造所需的化学反应，但化学反应本身也会释放 CO 2来自石灰石的煅烧。因此，用来自废物和副产品的替代材料部分替代水泥的输入成分(传统的普通波特兰水泥或 OPC)可以减少温室气体足迹。但是，使用这些替代品本质上并不是更可持续，因为废物可能需要长途跋涉，这会增加燃料排放和成本，或者可能需要预处理过程。使用这些替代材料的最佳方式取决于具体情况。但由于规模庞大，我们还需要解决方案来解决所需的大量混凝土。该项目正试图开发新型混凝土混合物，以减少水泥和混凝土的温室气体影响，从试错过程转向更具预测性的过程。

陈：如果我们想应对气候变化并改善我们的环境，我们可以使用替代成分或重新配方来减少温室气体排放吗?我们希望通过这个使用机器学习的项目，我们能够找到一个好的答案。

问：在历史的这个时刻，为什么现在解决这个问题很重要?

Olivetti：迫切需要尽可能积极地解决温室气体排放问题，但对所有行业领域而言，这样做的道路并不一定是直截了当的。对于运输和发电，已经确定了使这些部门脱碳的途径。我们需要更积极地采取行动，以在需要的时间内实现这些目标;此外，实现这一目标的技术方法更加明确。然而，对于难以脱碳的行业，例如工业材料生产，脱碳的途径并没有被描绘出来。

问：您打算如何解决这个问题以生产更好的混凝土?

Olivetti：我们的目标是预测混合物既能满足强度和耐久性等性能标准，又能平衡经济和环境影响。其中一个关键是在混合水泥和混凝土中使用工业废物。为此，我们需要了解组成材料的玻璃和矿物反应性。这种反应性不仅决定了在水泥系统中可能使用的限制，而且还控制混凝土加工、强度和孔隙结构的发展，最终控制混凝土的耐久性和生命周期的 CO 2排放。

陈：我们研究用废料代替部分水泥成分。这是我们假设的更可持续和更经济的东西——实际上废料很常见，而且成本更低。由于水泥用量的减少，最终的混凝土产品产生的二氧化碳会少得多。在实现其他目标的同时，找出合适的混凝土混合物比例来制造耐用的混凝土是一个非常具有挑战性的问题。机器学习让我们有机会探索预测建模、不确定性量化和优化的进步以解决问题。我们正在做的是探索使用深度学习和多目标优化技术的选项来找到答案。这些努力现在更可行，

问：您为此使用了哪些人工智能和计算技术?

Olivetti：我们使用人工智能技术通过自然语言处理从文献中收集有关单个混凝土成分、混合比例和混凝土性能的数据。我们还添加了从工业和/或高吞吐量原子建模和实验中获得的数据，以优化混凝土混合物的设计。然后，我们利用这些信息深入了解可能的废物和副产品材料作为低 CO 2混凝土水泥材料替代品的反应性。通过结合混凝土成分的通用信息，预计由此产生的混凝土性能预测器将比现有的 AI 模型更可靠和更具变革性。

陈：最终目标是弄清楚在生产混凝土的配方中加入哪些成分以及每种成分的含量，以优化各种因素：强度、成本、环境影响、性能等。对于每个目标，我们需要某些模型：我们需要一个模型来预测混凝土的性能(例如，它可以使用多长时间以及它承受多少重量?)、一个估算成本的模型以及一个估算二氧化碳排放量的模型生成。我们需要使用来自文献、行业和实验室实验的数据来构建这些模型。

我们正在探索高斯过程模型来预测混凝土强度，持续数天和数周。该模型也可以为我们提供预测的不确定性估计。这样的模型需要指定参数，我们将使用另一个模型来计算。同时，我们也探索神经网络模型，因为我们可以将人类经验中的领域知识注入其中。有些模型像多层感知一样简单，而有些则更复杂，比如图神经网络。这里的目标是我们想要一个不仅准确而且健壮的模型——输入数据是有噪声的，模型必须包含噪声，这样它的预测对于多目标优化仍然准确可靠。

一旦我们建立了我们有信心的模型，我们就会将他们的预测和不确定性估计注入到在约束和不确定性下的多个目标的优化中。

问：您如何平衡成本收益权衡?

陈：我们考虑的多重目标不一定是一致的，有时是相互矛盾的。目标是确定不能在不损害一个或几个的情况下同时进一步推动我们目标的价值的情况。例如，如果您想进一步降低成本，您可能不得不承受性能或环境影响。最终，我们会将结果提供给决策者，他们将研究结果并权衡选择。例如，在温室气体显着减少的情况下，他们可能能够容忍略高的成本。或者，如果成本变化不大，但具体性能发生了巨大变化，例如翻倍或三倍，那么这绝对是一个有利的结果。

问：您在这项工作中面临哪些挑战?

陈：我们从行业或文献中得到的数据非常嘈杂;具体的测量值可能会有很大差异，具体取决于测量的地点和时间。当我们整合来自不同来源的数据时，也会有大量缺失的数据，因此，我们需要花费大量精力来组织和使数据可用于构建和训练机器学习模型。我们还在预测建模和不确定性估计中探索了替代缺失特征的插补技术，以及容忍缺失特征的模型。

Q：你希望通过这部作品获得什么?

陈：最后，我们向制造商和政策制定者建议一个或几个具体的配方，或连续的配方。我们希望这将为建筑业和保护我们心爱的地球的努力提供宝贵的信息。

Olivetti：我们希望开发一种稳健的方法来设计利用废料来降低 CO 2 的水泥脚印。没有人试图制造浪费，所以如果我们希望它具有大规模可扩展性，我们就不能依赖一个流作为原料。我们必须灵活而稳健地适应原料变化，为此我们需要提高理解力。我们开发本地、动态和灵活替代方案的方法是了解是什么使这些废物具有反应性，因此我们知道如何优化它们的使用并尽可能广泛地这样做。我们通过在我的团队中开发的软件进行预测模型开发，自动从超过 500 万篇文本和各种主题的专利文献中提取数据。我们将其与 IBM 合作者的创造性能力联系起来，以设计预测新水泥最终影响的方法。如果我们成功，

标签：