一种基于热力学模拟的碱矿渣材料抗压强度预测方法

本发明属于建筑材料智能设计与数据驱动预测，涉及一种基于热力学模拟的碱矿渣材料抗压强度预测方法。

背景技术：

1、矿渣等工业固体废弃物产量巨大，若不能得到有效利用，不仅会造成资源浪费，还可能引发环境污染等问题。碱矿渣材料胶凝材料是一类以粒化高炉矿渣为主要原料、在碱性激发剂作用下形成胶凝性能的新型低碳胶凝材料，具有二氧化碳排放量低、早期强度高、耐久性能优良及固废利用率高等特点，在绿色建筑材料及低碳胶凝材料领域具有广阔的应用前景。

2、然而，碱矿渣材料体系的力学性能受到多种因素共同影响，包括矿渣化学组成、激发剂类型、激发剂模数、na2o当量、水胶比、养护温度及养护龄期等。上述因素之间存在复杂的非线性耦合关系，不同因素的微小变化均可能导致材料强度产生明显波动。因此，目前碱矿渣材料的配合比设计与性能优化仍较大程度依赖大量实验，不仅试验周期长、材料消耗大，而且难以实现快速、高效的性能预测与材料设计。

3、随着人工智能技术的发展，机器学习方法逐渐被应用于混凝土及胶凝材料性能预测领域。例如，通过随机森林、支持向量机、人工神经网络及梯度提升树等算法建立材料配合比与抗压强度之间的映射关系，从而实现材料性能预测。相比传统经验公式，机器学习模型在复杂非线性关系拟合方面具有一定优势。然而，目前多数预测模型主要依赖宏观配合比参数及实验数据进行训练，缺乏对碱矿渣材料体系内部反应机制及水化产物演化过程的考虑，导致模型存在泛化能力不足、可解释性较弱以及不同体系适应能力有限等问题。

技术实现思路

1、本发明的技术方案用于解决如何提高碱矿渣材料体系抗压强度预测精度的问题。

2、本发明是通过以下技术方案解决上述技术问题的：

3、本发明提供一种基于热力学模拟的碱矿渣材料抗压强度预测方法，包括以下步骤：

4、步骤1、收集碱矿渣材料体系的原始数据；

5、步骤2、基于热力学模拟方法对所述碱矿渣材料体系在不同养护龄期下的水化反应过程进行模拟计算，获得能够表征材料内部反应状态的热力学特征参数；

6、所述热力学特征参数的计算方法如下：

7、采用针对胶凝材料体系定制的cemdata18热力学数据库；

8、基于吉布斯自由能最低原理，建立碱矿渣材料体系中吉布斯自由能最小化的平衡判据；

9、采用mpk动力学模型，结合成核与生长、扩散、壳层化学反应三种速率控制机制，取三种速率中的最小值作为碱矿渣材料体系的总反应速率，将总反应速率通过对时间积分得到矿渣在不同养护龄期下的水化程度；

10、设置热力学模拟温度，将各龄期对应的矿渣实际参与反应量作为边界条件，输入热力学模拟软件中进行相平衡定量计算，输出不同龄期的水化产物堆叠演化图，从演化图中提取热力学特征参数。

11、步骤3、将所述原始数据中的基础配合比参数与所述热力学特征参数进行融合，并经过数据预处理，构建机器学习训练数据集；

12、步骤4、采用机器学习算法对所述训练数据集进行训练，建立碱矿渣材料抗压强度预测模型；

13、步骤5、将待预测碱矿渣材料体系的基础配合比参数及对应的热力学特征参数输入训练完成的预测模型中，输出对应龄期下的抗压强度预测结果。

14、进一步地，所述平衡判据的公式如下：

15、

16、其中，为碱矿渣材料体系的总吉布斯自由能；为碱矿渣材料体系中化学组分总数；为第种组分的摩尔数；为第种组分在当前状态下的化学势。

17、进一步地，所述总反应速率的计算公式如下：

18、

19、其中，为总反应速率，为矿渣水化程度，为成核与生长控制阶段反应速率，为扩散控制阶段反应速率，为壳层化学反应控制阶段反应速率，为时间。

20、进一步地，所述成核与生长控制阶段反应速率的计算公式如下：

21、

22、所述扩散控制阶段反应速率的计算公式如下：

23、

24、其中，为成核与生长控制阶段的反应速率常数，为扩散控制阶段的反应速率常数，为形状指数。

25、进一步地，所述壳层化学反应控制阶段反应速率的计算公式如下：

26、

27、其中，为壳层化学反应控制阶段的反应速率常数，为机理指数。

28、进一步地，所述热力学模拟方法采用gems、phreeqc或factsag系列软件中的一种。

29、进一步地，所述热力学特征参数包括：c-(n)-a-s-h凝胶含量、孔隙率及水滑石类相含量、oh-浓度、部分碱金属离子浓度、未反应矿渣比例及aft和afm类相含量。

30、进一步地，所述基础配合比参数包括：矿渣化学组成、激发剂类型、激发剂模数、碱当量、以及水胶比。

31、进一步地，所述机器学习算法采用随机森林算法、支持向量机算法、人工神经网络算法及xgboost算法中的一种。

32、进一步地，所述xgboost算法的学习率设置为0.05，最大树深设置为6，子采样率设置为0.8。

33、本发明的有益效果如下：

34、本发明首先通过收集不同碱矿渣材料体系的实验数据，建立包含矿渣化学组成、激发剂参数、水胶比、养护条件及不同临期样品的抗压强度等信息的原始数据库，从而能够较为全面地反映不同因素对碱矿渣材料体系强度发展的影响规律，为后续模型训练提供基础数据支撑。

35、本发明基于碱矿渣材料体系的原材料组成及配合比参数，利用热力学模拟方法对体系内部水化反应过程进行模拟，从而获得c-(n)-a-s-h凝胶含量、孔隙率及水滑石类相含量、oh-浓度、部分碱金属离子浓度、未反应矿渣比例及aft和afm类相含量等热力学特征参数；由于上述热力学参数能够反映碱矿渣材料体系内部相组成演化及孔隙溶液中离子浓度的变化过程，因此相比传统仅采用宏观配合比参数的预测方法，本发明能够使模型同时考虑材料宏观配合比信息与内部化学反应机制，从而降低由于原材料波动及体系差异导致的预测误差。

36、本发明将热力学特征参数与原始配合比参数进行融合，从而构建同时包含宏观参数与微观反应信息的机器学习训练数据集，并采用机器学习算法对不同参数之间复杂非线性关系进行学习，从而实现碱矿渣材料体系抗压强度的精准预测；同时，由于引入了热力学模拟参数，使模型能够在一定程度上反映材料内部水化反应过程及相组成演化规律，因此提高了模型对不同碱激发体系的适应能力与机理解释能力。

37、本发明通过将待预测体系的配合比参数及热力学特征参数输入训练完成的预测模型中，即可快速输出对应龄期下的抗压强度预测结果，从而减少传统配合比设计过程中大量试验带来的时间与材料消耗，提高碱矿渣材料体系的材料设计效率及性能优化效率，并为碱激发胶凝材料体系的快速设计与工程应用提供新的技术手段。

1.一种基于热力学模拟的碱矿渣材料抗压强度预测方法，其特征在于，包括以下步骤：

2.根据权利要求1所述基于热力学模拟的碱矿渣材料抗压强度预测方法，其特征在于，所述平衡判据的公式如下：

3.根据权利要求1所述基于热力学模拟的碱矿渣材料抗压强度预测方法，其特征在于，所述总反应速率的计算公式如下：

4.根据权利要求3所述基于热力学模拟的碱矿渣材料抗压强度预测方法，其特征在于，所述成核与生长控制阶段反应速率的计算公式如下：

5.根据权利要求4所述基于热力学模拟的碱矿渣材料抗压强度预测方法，其特征在于，所述壳层化学反应控制阶段反应速率的计算公式如下：

6.根据权利要求1所述基于热力学模拟的碱矿渣材料抗压强度预测方法，其特征在于，所述热力学模拟方法采用gems、phreeqc或factsag系列软件中的一种。

7.根据权利要求1所述基于热力学模拟的碱矿渣材料抗压强度预测方法，其特征在于，所述热力学特征参数包括：c-(n)-a-s-h凝胶含量、孔隙率及水滑石类相含量、oh-浓度、部分碱金属离子浓度、未反应矿渣比例及aft和afm类相含量。

8.根据权利要求1所述基于热力学模拟的碱矿渣材料抗压强度预测方法，其特征在于，所述基础配合比参数包括：矿渣化学组成、激发剂类型、激发剂模数、碱当量、以及水胶比。

9.根据权利要求1所述基于热力学模拟的碱矿渣材料抗压强度预测方法，其特征在于，所述机器学习算法采用随机森林算法、支持向量机算法、人工神经网络算法及xgboost算法中的一种。

10.根据权利要求9所述基于热力学模拟的碱矿渣材料抗压强度预测方法，其特征在于，所述xgboost算法的学习率设置为0.05，最大树深设置为6，子采样率设置为0.8。