npj：拌水泥的高科技—机器学习为混凝土配方而设计

混凝土与人类生活息息相关，甚至被看作是除了水以外的最大消费品。基于特有的强度、经济性、成型性和耐用性，混凝土在建筑材料中的年消耗量是其他建材，比如钢铁、塑料和木材等总和的两倍。

Fig. 1 Four paradigms of concrete science: empirical, theoretical, computational, and data-driven.

构成混凝土的主要成分是水泥、水、骨料和其他添加剂，不同的组分配方所得的混凝土性能是不一样的，因此设计配方满足所需的性能是混凝土科学的主要研究内容。早期成功的配方来自长期的试错，即交替尝试各种配方组成，这种做法所需的实验次数会随着组分数目和待定参数数目而指数性增长。二十世纪八十年代开始发展关于水泥水合作用的微观模型，建立起了水合过程与微观结构演化的理论，然而相关模型除了不能准确描述复杂的混凝土体系，还缺乏所需的热化学、物理与结构数据。随着密度泛函和分子动力学模拟技术的应用，混凝土研究进入计算科学阶段，但是受限于计算资源和计算理论，能计算的体系或尺度过小，难以同实际大尺寸的混凝土匹配起来。

Fig. 2 Applications of machine learning (ML) in concrete science.

近年来日益发展的人工智能或者机器学习为处理混凝土组分近于无限的组合可能性及其产生的物理与化学性质的多变性提供了有效的方法，可以满足其中包含的处理大数据和反映复杂机制的需求，从而推动混凝土科学进入了第四阶段：数据驱动科学。虽然已经有学者对机器学习在混凝土研究中的应用进行了总结，但是所涉及的资料过于简单，从而其结论带有明显的个人偏见，缺乏有益的指导。

Fig. 3 Common validation approaches.

来自美国宾夕法尼亚州立大学土木与环境工程系的Li教授及其合作者通读了1992年以来发表的389篇经过同行评议的文献，对机器学习在混凝土研究中的应用作了全面回顾，并且尽量避免过于主观解读的问题。他们介绍了混凝土科学中常用的神经网络、支持向量机、随机森林和决策树等机器学习方法及其在混凝土抗压强度、坍落度、收缩和开裂等研究中的应用，接着归纳了当前在数据质量、有效性和可解释性方面存在的挑战，然后基于已有文献总结并提炼了解决这些挑战，用好机器学习的可行方法，比如共享数据库和代码，从简单模型开始，以及与实验科学家合作等，同时也给出了如何在研究混凝土结构—性能关系中合理使用机器学习的步骤与要点。

Fig. 3 Illustration of unrealistic concrete mixtures generated by permutation feature importance method.

最后，作者还设想了本领域潜在的、可以更好发挥机器学习效能的发展方向，强调了机器学习要有实际的物理意义以及重视迁移学习和自然语言处理的观点。本文有助于全面了解机器学习在混凝土科学中的应用以及相关实施步骤与要领；同时也为机器学习在其他材料科学领域中如何从数据、建模、模型评价和实施等方面进行合理的应用提供了很好的借鉴。该文近期发表于npjComputational Materials8;127(2022)，英文标题与摘要如下，点击https://www.nature.com/articles/s41524-022-00810-x可以自由获取论文PDF。

Fig. 5 Effect of field data portion in a training dataset (containing laboratory and field data) on field compressive strength prediction.

Machine learning in concrete science: applications, challenges, and best practices

Zhanzhao Li, Jinyoung Yoon, Rui Zhang, Farshad Rajabipour, Wil V. Srubar III, Ismaila Dabo & Aleksandra Radlińska

Concrete, as the most widely used construction material, is inextricably connected with human development. Despite conceptual and methodological progress in concrete science, concrete formulation for target properties remains a challenging task due to the ever-increasing complexity of cementitious systems. With the ability to tackle complex tasks autonomously, machine learning (ML) has demonstrated its transformative potential in concrete research. Given the rapid adoption of ML for concrete mixture design, there is a need to understand methodological limitations and formulate best practices in this emerging computational field. Here, we review the areas in which ML has positively impacted concrete science, followed by a comprehensive discussion of the implementation, application, and interpretation of ML algorithms. We conclude by outlining future directions for the concrete community to fully exploit the capabilities of ML models.