发泡水泥基浆体多龄期流变性能预测与低碳配比设计方法

本发明属于水泥基材料流变性能预测与配合比设计，具体公开了一种发泡水泥基浆体多龄期流变性能预测与低碳配比设计方法。

背景技术：

1、发泡水泥基浆体是通过在胶凝材料浆体中引入预制泡沫形成的轻质多孔材料，具有密度低、流动填充能力强和轻质保温等优点，广泛应用于采空区注浆、空洞回填、漏风通道封堵及轻质填充等工程领域。在注浆回填或封堵过程中，浆体既要在输送阶段保持适宜流动性以保证可泵性和扩散填充效果，又要在静置后逐渐形成结构承载能力以抑制泌水、离析、气泡上浮、聚并和塌泡。因此，动态屈服应力、塑性黏度及其随龄期的演化规律是评价发泡水泥基浆体可泵性、扩散性和泡沫稳定性的关键流变指标。

2、发泡水泥基浆体含有可压缩且易聚并、破坏的气泡，其流变性能受粉煤灰（fa）或碳化粉煤灰（cfa）掺量、聚羧酸减水剂（ps）掺量、疏水性纳米二氧化硅（hns）掺量、三乙醇胺（tea）掺量、泡沫倍数和静置龄期等多个因素的共同影响。上述因素之间存在显著的非线性耦合效应：一方面改变胶凝颗粒的分散状态和自由水含量，另一方面作用于气泡界面膜和早期水化进程，使得浆体流变行为呈现复杂的时变非线性特征。

3、目前，发泡水泥基浆体的配合比设计与流变性能评价主要依赖单因素试验、正交试验、响应面分析法或经验公式。然而，当胶凝材料组成、泡沫倍数、外加剂掺量和龄期同时变化时，上述方法的试验工作量呈指数增长，且难以揭示多因素之间的交互耦合规律。多龄期流变测试中，同一试样若反复剪切，前期剪切历史会破坏浆体内部结构，严重干扰后续龄期的测试结果；若不同龄期分别独立制样，又不可避免引入原材料批次差异和混合过程波动，导致龄期演化数据的可比性和重复性不足。

4、近年来，人工神经网络、支持向量回归、集成学习等方法已逐步应用于水泥基材料的性能预测与配合比优化。例如，中国专利cn111986737a公开了一种基于随机森林与nsga-ii的耐久性混凝土配合比优化方法，通过随机森林建立混凝土抗冻性和抗渗性的预测模型，并采用nsga-ii算法以耐久性指标为目标进行配合比多目标优化。又如，中国专利cn119379115a公开了一种基于强度、成本和碳排放的改性赤泥配比优化方法，以抗压强度最大化、经济成本和碳排放量最小化为目标，采用nsga-ii求解pareto最优解集，并结合熵权topsis法进行方案决策。再如，中国专利cn121439046a公开了一种高性能低碳混凝土配合比智能设计方法，通过构建胶凝材料基础数据库、训练孔隙结构预测子模型、设定多维度优化约束与目标，实现了混凝土配合比的智能化设计。

5、然而，上述现有技术仍存在以下不足：

6、第一，现有方法多针对硬化后的抗压强度、抗折强度、抗渗性或抗冻性等固体力学性能指标，缺乏面向新鲜状态下浆体流变行为（动态屈服应力、塑性黏度及其龄期演化）的预测与设计能力。发泡水泥基浆体的流变性能测试需要在特定剪切条件下进行，测试过程中必须避免气泡的聚并和破坏，这与硬化混凝土的力学性能测试在测试原理、数据特性和物理约束上存在本质差异。

7、第二，现有数据扩充方法多采用随机插值、重采样或无约束的生成模型，生成的虚拟样本容易违反胶凝材料质量规则（如水泥+fa+cfa≠100%）、水胶比偏离试验设计、流变参数超出物理可行域等材料科学基本规律，导致扩充数据不可制备，反而降低模型可靠性。同时，现有方法在数据划分时较少考虑同一配合比不同龄期记录之间的相关性，容易出现数据泄漏，高估模型泛化能力。

8、第三，动态屈服应力和塑性黏度在数值尺度（pa级与mpa·s级）和龄期演化规律上存在显著差异，现有模型多采用统一的网络结构和人工经验设定超参数，难以在一个多输出预测模型中同时兼顾两个流变参数的预测精度和稳定性。此外，对于黑箱模型，现有方法缺少对胶凝材料组成、泡沫倍数、外加剂及龄期等因素对流变性能影响方向、影响强度的定量解释。

9、第四，现有方法多停留在性能预测层面，未将流变预测与单位体积成本、单位体积碳排放相耦合，形成可实施的配比反向设计方案；同时缺少从预测到实物验证的闭环更新机制，无法利用验证试验数据持续优化模型。

技术实现思路

1、针对上述问题，本发明公开了一种发泡水泥基浆体多龄期流变性能预测与低碳配比设计方法。

2、本发明包括以下技术方案：

3、本发明提供一种发泡水泥基浆体多龄期流变性能预测与低碳配比设计方法，包括以下步骤：

4、s1，设置材料配合比，完成配料、制泡和低剪切混合，并以混合结束时刻作为龄期起点；

5、s2，将同批浆体分装为相互独立的龄期试样，并在相同环境条件下密封静置；

6、s3，在各目标龄期分别对对应独立试样进行一次流变测试，采集转速与转矩信号，计算动态屈服应力  和塑性黏度 ；

7、s4，建立真实试验数据库。根据模型用途选择数据划分方式：模式a按单条记录随机划分，用于补全已知配合比在不同龄期的数据；模式b按配合比编号整体划分，确保同一配合比的全部龄期记录只进入训练集或测试集，用于评价模型对新配合比的预测能力。所有标准化和归一化参数均仅由对应训练集计算。

8、s5，在需要扩充样本时，仅利用真实训练集训练物理约束条件扩散模型并生成候选虚拟样本，真实测试集不参与扩散模型训练和样本生成；

9、s6，仅当真实训练集内部验证精度未达到设定阈值时，使用扩散模型生成候选虚拟样本。依次检查变量范围、胶凝材料质量规则、流变参数范围及样本与真实训练域的距离，任一条件不满足即剔除。对合格样本按照水胶比和体积关系计算水泥、水、基准浆体及泡沫用量，再与真实训练集合并形成扩充训练集；若基线模型精度已经达标，则不生成虚拟样本，直接使用真实训练集。

10、s7，在真实训练集内部采用贝叶斯优化确定径向基函数类型、核宽度、平滑参数、龄期距离权重及目标变换方式，建立一个rbf-ann多目标预测模型，并通过统一训练和预测接口一次输出动态屈服应力与塑性黏度二维预测结果；

11、s8，分别在真实训练集和真实测试集上计算两个流变输出的决定系数 、平均绝对误差  和均方根误差 ，并采用shap分析各输入变量对两个流变输出的贡献程度和作用方向；

12、s9，在固定目标龄期和模型适用域内，新配合比反向设计分支仅调用经模式b或外部新批次验证达到步骤s8阈值的rbf-ann多目标模型，预测动态屈服应力和塑性黏度，确定性计算单位体积成本  和单位体积碳排放 ，并采用约束nsga-ii以  和  最小化为目标、以  和  处于预设区间为约束，获得pareto候选配合比；模式a仅用于已知配合比数据域内筛选，其结果不表述为新配合比推荐；

13、s10，选取代表性pareto候选配合比进行实物制备和目标龄期流变复测，并重新核算单位体积成本  和单位体积碳排放 ；

14、s11，根据实测流变性能是否处于工程良好区间以及预测-实测相对误差是否不大于设定阈值作出通过或回填判定；当实测  和  均位于预设区间且相对误差、 时通过验证；否则回填实测结果并重新执行s4至s8；

15、s12，输出通过验证的推荐配合比、流变性能、经济环境指标和模型追溯信息。

16、优选地，步骤s1中，所述胶凝材料由水泥、粉煤灰（fa）和碳化粉煤灰（cfa）组成，满足水泥 ；聚羧酸减水剂（ps）、疏水性纳米二氧化硅（hns）和三乙醇胺（tea）均以胶凝材料总质量为基准计量；水胶比优选为0.20；预制泡沫以低剪切方式加入，以混合结束时刻作为龄期起点，并记录原材料批次、设定掺量、实际用量、混合时间和泡沫状态。

17、优选地，步骤s2中，将步骤s1所得同批浆体等量分装至多个试样容器，每个试样仅对应一个目标龄期，分别密封静置，由此获得0 min、20 min、40 min、60 min和80 min相互独立的龄期试样序列，避免重复剪切历史和批次差异对龄期演化结果的干扰。

18、优选地，步骤s3中，到达目标龄期时，将对应独立试样置于流变仪测量工位，将六叶片转子缓慢降至标定浸入深度，依次执行低速启动和多转速稳态程序；记录各转速级的转速和转矩，并依据转矩量程、转速跟踪误差及试样外观状态判别数据有效性；存在明显泌水、溢流或塌泡的记录标记为异常；测试结束后该试样不再用于后续龄期测量。

19、优选地，步骤s3中，所述流变参数计算具体包括：先利用标准流体或参考浆体标定六叶片转子-试样杯体系，将各转速级记录的角速度  和稳态转矩  分别转换为等效剪切速率和剪切应力；对各稳态转速级进行稳定段截取和平均后，采用宾汉姆模型拟合得到动态屈服应力  和塑性黏度 ；启动阶段单独提取峰值转矩  并计算静态屈服应力 ；采用至少三个有效稳态测点进行最小二乘拟合，输出统一标定的动态屈服应力  和塑性黏度 。

20、优选地，步骤s4中，模式a按单条记录随机划分，用于补全已知配合比在不同龄期的数据；模式b按配合比编号整体划分，并依据fa/cfa掺量、ps掺量、hns掺量、tea掺量、泡沫倍数  和水胶比构建唯一配合比编号。模式b中，具有相同编号但龄期不同的样本必须归入同一数据子集，确保同一配合比的全部龄期记录只进入训练集或测试集，用于评价模型对新配合比的预测能力；缺失值处理规则、异常值判据和变量边界在数据划分前确定；所有标准化和归一化参数均仅由对应训练集计算，并固定应用于该模式的验证数据和测试集；贝叶斯优化及模型参数选择仅在真实训练集内部完成，真实测试集不参与增样、预处理参数拟合和模型训练。

21、优选地，步骤s5中，所述物理约束条件扩散模型的训练与候选虚拟样本生成包括：利用真实训练集构造九维联合样本 z0=(fa,cfa,ps,hns,nf,tea,t,τ0,μp)及材料体系与目标龄期条件信息，其中  为粉煤灰质量分数， 为碳化粉煤灰质量分数， 为聚羧酸减水剂质量分数， 为疏水性纳米二氧化硅质量分数， 为泡沫倍数，为三乙醇胺质量分数， 为龄期；对九维变量分别按真实训练集统计量标准化，并按线性噪声日程实施前向扩散；训练接收带噪样本、扩散步和条件信息的去噪网络；在无分类器条件引导下由高斯噪声逐步反演；将生成结果逆标准化并输出候选虚拟样本；水泥质量比、水量、基准浆体体积和泡沫体积不作为扩散生成变量，而是在逆标准化后根据fa、cfa和泡沫倍数确定性重构。

22、优选地，所述去噪网络采用全连接结构，九维带噪样本经128和128个神经元的两层隐藏层映射后输出九维噪声估计，隐藏层采用silu激活和0.10丢弃率；扩散步采用32维正弦位置编码，材料体系与目标龄期条件采用32维条件编码，并与隐藏特征拼接；训练批量为32，优化器为adamw，初始学习率 、权重衰减 ，最多训练2000轮，内部验证损失连续100轮未降低时提前停止；训练时以0.10概率丢弃条件以实现无分类器引导；条件引导权重在  中搜索，以真实训练集内部验证的去噪误差与物理约束违反率之和最小为准。

23、优选地，步骤s6中，仅当真实训练集内部验证精度未达到设定阈值时，使用扩散模型生成候选虚拟样本。所述物理一致性筛选依次包括：变量范围检查，各生成变量应位于实验取值范围内；胶凝材料质量规则检查 ；fa/cfa互斥或复掺要求纳入胶凝材料质量规则；流变参数范围检查， 和  应位于合理范围内；样本与真实训练域的马氏距离检查；任一条件不满足即剔除。对合格样本按水胶比0.20确定水和水泥用量，并按基准浆体体积  和泡沫体积  确定体积参数，其中  为成品材料体积；校核胶凝材料质量、水胶比和体积关系均不大于数值容差；将合格样本与真实训练集合并形成扩充训练集；若基线模型精度已经达标，则不生成虚拟样本，直接使用真实训练集；真实测试集始终仅包含真实试验记录。

24、优选地，所述扩散增样的启动条件为：真实训练集内部五折交叉验证中任一流变输出  低于0.95，或动态屈服应力  高于5 pa，或塑性黏度  高于500mpa·s；若两个流变输出的  均不低于0.95、动态屈服应力  不高于5 pa且塑性黏度  不高于500 mpa·s，则不启用扩散增样。

25、优选地，步骤s7中，所述rbf-ann多目标预测模型以真实训练记录为径向基中心，动态屈服应力采用多二次径向基核、核宽度0.18、平滑参数 、龄期距离权重0.60，并对目标值进行对数变换后在输出端实施指数反变换；塑性黏度采用薄板样条径向基核、核宽度1.0、平滑参数0.03、龄期距离权重0.05，目标保持原值尺度；两个输出的映射、参数和预处理器封装于同一模型对象，通过统一的拟合和预测接口一次返回动态屈服应力与塑性黏度二维预测结果。

26、优选地，步骤s7中，所述贝叶斯优化的搜索范围包括：径向基函数从多二次核、薄板样条核、高斯核和反多二次核中选择；核宽度为0.05～5，平滑参数为 ，龄期距离权重为0.01～1，目标变量变换方式为原值或对数变换；以两个流变输出的交叉验证误差作为目标函数，迭代选择下一组待评价参数；达到预设迭代次数或目标函数收敛后，采用最优参数在扩充训练集上重新拟合最终模型。

27、优选地，步骤s8中，所述模型精度验收阈值设为：训练集和真实测试集的两个流变输出  均不低于0.95，动态屈服应力  均不高于5 pa，塑性黏度  均不高于500 mpa·s；当两个流变输出通过上述阈值后，冻结rbf-ann多目标模型并开展置换型shap解释；采用真实测试记录作为解释样本，从真实训练记录中抽取构成固定背景集；每条解释记录随机生成128个特征排列，每次排列从背景记录中有放回抽取一条起始记录，按排列顺序逐项替换为待解释记录的特征并计算边际预测变化；shap仅调用冻结模型的预测接口，不使用测试标签重新拟合模型；将单个样本的预测值分解为基准值与各输入特征贡献之和。

28、优选地，步骤s9中，所述约束nsga-ii的决策变量为 、、、、和 ，优化目标为最小化单位体积成本  与单位体积碳排放 ，约束条件为动态屈服应力  和塑性黏度  处于预设工程良好区间，即 和 ，其中x=(fa,cfa,ps,hns,nf,tea)， 为目标龄期，和  为模型预测值；候选个体仅在总归一化约束违反量为零时进入最终pareto集合；材料单价或碳排放因子更新后，使用新版本因子重新计算全部候选的 、 和pareto前沿。

29、优选地，步骤s9中，单位体积成本  以  成品材料为功能单位确定性核算，依据各材料单位体积用量与工程批量单价求和；单位体积碳排放  以  成品材料为功能单位确定性核算，依据各材料单位体积用量与碳排放因子求和，并扣除具有实测或可靠依据的固定二氧化碳量；工程单价和碳排放因子按版本管理，任一因子版本变化即触发按原物料清单重新计算  和 ，并重新执行非支配排序。

30、优选地，步骤s10中，从pareto候选集合中选取低成本端、低碳端、折中拐点及距流变约束边界具有安全裕度的代表性方案；用于证明新配合比反向设计能力的候选方案应赋予新的配合比编号，其完整配合比及全部龄期记录均未参与模型训练、内部验证和真实测试；随后按照真实试验数据库采用的材料计量、制泡、混合、分装和测试程序重新制备独立试样；在目标龄期复测动态屈服应力和塑性黏度，并以相同功能单位重新核算单位体积成本和单位体积碳排放。

31、优选地，步骤s11中，动态屈服应力相对误差  和塑性黏度相对误差  分别按实测值与预测值之差的绝对值除以实测值绝对值计算，分母中设置防止分母为零的小量；当实测  和  均位于本轮工程良好区间，且 、 时判定通过；任一实测值越界或任一相对误差大于5%，均立即触发回填；回填时不覆盖历史记录，将候选配合比、目标龄期、实测  和 、实测  和 、试验批次及当前模型版本作为新记录追加至真实数据库；随后重新执行s4至s10；闭环最大更新次数固定为3次，三次后仍不满足条件的方案标记为待验证，不作为工程推荐。

32、本发明还提供一种发泡水泥基浆体多龄期流变性能预测与低碳配比设计系统，用于实现上述任一项所述的方法，包括：

33、数据获取接口，用于获取多龄期流变测试的转速、转矩及试样状态数据；

34、数据划分与数据库管理模块，用于根据模型用途选择数据划分方式：模式a按单条记录随机划分，模式b按配合比编号整体划分，并存储对应训练集的标准化、归一化参数及索引；

35、物理约束扩散增样模块，用于在真实训练集内部验证精度未达到设定阈值时训练扩散模型生成候选虚拟样本，依次检查变量范围、胶凝材料质量规则、流变参数范围及训练域距离，将合格样本与真实训练集合并形成扩充训练集；若基线模型精度已经达标，则直接使用真实训练集；

36、径向基函数人工神经网络建模与解释模块，用于在扩充训练集上构建rbf-ann多目标预测模型并采用贝叶斯优化确定超参数，在真实测试集上评价模型精度，并在精度达标后冻结模型执行shap可解释性分析；

37、约束nsga-ii优化模块，用于调用经模式b验证合格的模型，以单位体积成本 和单位体积碳排放  最小化为目标、以动态屈服应力  和塑性黏度  处于预设工程良好区间为约束，执行非支配排序遗传算法输出pareto候选配合比集合；

38、实物验证与闭环反馈模块，用于对pareto候选配合比进行实物制备与流变复测，在实测值越界或相对预测误差大于5%时触发回填，将实测记录追加至真实试验数据库并触发迭代更新。

39、相比于现有技术，本发明具有以下有益效果：

40、（1）通过同批制样、分龄期独立静置和单次测试，避免重复剪切历史及不同批次制样差异，提高多龄期流变数据的可比性和重复性。

41、（2）根据模型用途设置两种互不混用的数据划分方式：模式a按单条记录随机划分，用于补全已知配合比在不同龄期的数据；模式b按配合比编号整体划分，确保同一配合比的全部龄期记录只进入训练集或测试集，用于评价模型对新配合比的预测能力；所有标准化、归一化、物理约束增样和模型优化均仅使用对应训练集，降低数据泄漏和能力边界混淆风险。

42、（3）仅当真实训练集内部验证精度未达到设定阈值时，使用扩散模型生成候选虚拟样本；依次检查变量范围、胶凝材料质量规则、流变参数范围及样本与真实训练域的距离；水泥、水、基准浆体及泡沫用量由生成变量确定性计算，避免对未生成变量设置无法计算的损失；若基线模型精度已经达标，则不生成虚拟样本，直接使用真实训练集；同时采用去噪网络全连接结构、silu激活、丢弃率0.10、位置编码与条件编码、adamw优化器和条件引导权重搜索，提高小样本条件下虚拟样本的质量和物理可行性。

43、（4）采用贝叶斯优化确定rbf-ann的核函数、核宽度、平滑参数、龄期距离权重和目标变换方式，并由一个rbf-ann多目标模型一次输出动态屈服应力与塑性黏度，提高参数选择效率和双输出预测稳定性；rbf-ann以真实训练记录为径向基中心，动态屈服应力采用多二次径向基核、对数目标变换，塑性黏度采用薄板样条径向基核、原值目标，两输出封装于同一模型对象。

44、（5）利用shap定量识别材料组成、泡沫倍数、外加剂和龄期对两个流变输出的贡献程度及作用方向，提高模型预测结果的可解释性。

45、（6）将rbf-ann流变预测与单位体积成本、单位体积碳排放确定性核算及约束nsga-ii相结合，并通过候选配合比实物复测、误差阈值判定、数据回填和最大3次闭环迭代形成可验证、可更新的闭环机制，可减少低碳配合比筛选所需的重复试验次数。