干湿循环条件下混凝土硫酸盐有效扩散系数的物理引导机器学习与深度学习混合预测框架——掺硅灰(SF)与纳米二氧化硅(nS)

《Materials Today Communications》：A Hybrid Physics–Machine Learning Framework for Predicting Sulfate Diffusion Coefficient in Concrete under Cyclic Drying–Wetting Conditions

　　

摘要：硫酸盐侵蚀是沿海及富硫酸盐环境中混凝土结构长期劣化的主要诱因之一，尤其在干湿循环及升温条件下更为显著。本研究建立物理引导机器学习(ML)与深度学习(DL)框架，用于预测掺加硅灰(SF, Silica Fume)与纳米二氧化硅(nS, Nano-Silica)混凝土的有效硫酸盐扩散系数(Effective Sulfate Diffusion Coefficient, Dse)，以解决现有经验模型及基于扩散理论模型物理可解释性差、环境适应性不足的问题。开展了为期360天、10% Na2SO4溶液、25～35 °C循环干湿暴露实验，构建并优化随机森林(RF)、梯度提升决策树(GBDT)、长短期记忆网络(LSTM)及TabNet模型，采用多目标布谷鸟–鲶鱼优化器(MO-CCO)、多目标Jaya算法(MOJAYA)及多目标蝴蝶优化算法(MOBOA)进行超参数寻优，目标函数包括均方误差(MSE)、1?R2及模型复杂度。结果表明MO-CCO优化的GBDT模型预测精度最高(R2=98.36%，MSE=0.0032)；掺nS混凝土360 d后硫酸盐侵入深度较普通硅酸盐混凝土降低达24%；损伤度与温度为影响硫酸盐扩散性的主导变量。经交叉验证、学习曲线、SHAP解释、偏依赖分析(PDP)及特征重要性评估，所提框架对干湿循环环境下硫酸盐诱发混凝土劣化的评估具备鲁棒性、泛化能力及物理可解释性。

论文解读：

【研究背景与意义】

硫酸盐侵蚀（Sulfate Attack）是导致海洋及富硫酸盐环境中混凝土结构耐久性能退化的核心机制，SO₄^2?离子与水泥水化产物反应生成钙矾石和石膏引起体积膨胀、微裂缝及力学性能衰减。掺加辅助胶凝材料（SCMs）——特别是硅灰（SF, Silica Fume）与纳米二氧化硅（nS, Nano-Silica）——可通过火山灰效应消耗氢氧化钙（CH, Calcium Hydroxide）并细化孔结构，从而提升抗硫酸盐侵入能力。传统经验回归或简化一维Fick扩散模型难以刻画干湿循环（Drying–Wetting Cycles）、温度场变化、湿度迁移、孔隙演化及损伤诱发的多场耦合非线性传输过程；而纯数据驱动机器学习（ML）又缺乏物理可解释性。为此，Shayanfar等人于《Materials Today Communications》发表本研究，提出将经实验验证的物理化学传输–反应关系作为具物理意义的输入特征，嵌入ML/DL预测框架，在考虑二维传输、硫酸盐结合反应、孔隙率时变演化、干湿阶段湿度边界条件及SCM效应的基础上，预测掺SF与nS混凝土在循环干湿与变温环境下的有效硫酸盐扩散系数（D_se, Effective Sulfate Diffusion Coefficient），并通过可解释性AI技术揭示主控因素及其物理机制。

【主要关键技术方法】

研究人员设计7组混凝土配合比（OPC基准及分别掺SF 5%/7.5%/10%、nS 1%/2%/3%，W/B=0.4），成型100 mm立方体试件，标准养护28 d后置于10% Na₂SO₄溶液中，于25/30/35 °C下实施4 d浸泡—3 d 60 °C烘干干湿循环，于60～360 d多龄期测试硫酸根浓度剖面（距表面1～4 cm粉末取样，ASTM C114重量法）、抗压强度、微观结构（SEM-EDS、XRD、TGA测定CH消耗量与水化程度α）。基于二阶中心差分建立二维非饱和混凝土硫酸盐传输–反应控制方程，引入孔隙填充/裂纹扩展导致的时变孔隙率φ(t)、损伤度控制的传输连通性修正因子f_d(Φ)、湿度修正因子f_l(Θ)、SCM修正Arrhenius反应速率，逆推获得D_se数据集（N=735）。选取孔隙率φ、温度T、SCM掺量W_scm、CH浓度C_CH、湿度Θ及损伤函数f_d(Φ)六维物理量作输入，D_se为输出，按试件–工况层级划分训练集(70%)与测试集(30%)。构建RF、GBDT、LSTM（时序序列化）、TabNet四种模型，采用多目标优化（同时最小化MSE、1?R²、模型复杂度）分别由MO-CCO、MOJAYA、MOBOA搜寻最优超参数，经五折交叉验证与SHAP、PDP及特征重要性分析评估模型性能与物理解释性。

【研究结果】

1. 3.
   Experimental results（实验结果）
   3.1 Variation of compressive strength（抗压强度变化）：OPC早期强度较高，但180 d后因硫酸盐生成膨胀产物致强度下降（35 °C下达16%）；掺10% SF与2% nS的试件表现出更优的长期强度保留率，nS2组强度损失约仅4%。
   3.2 Sulfate ion penetration profile（硫酸根离子侵入剖面）：各配比试件表层SO₄^2?浓度最高并随深度递减；SF10与nS3试件360 d时硫酸盐侵入深度较OPC分别降低约20%与24%；升高SCM掺量减弱温度敏感性，35 °C时SF10与nS3表层1 cm处SO₄^2?浓度分别为6.83%与6.71%。
   3.3 Analysis of microstructure results（微观结构分析结果）
   3.3.1 Micromorphology (SEM-EDS)：SF7.5可见较多钙矾石及微裂，nS3区域腐蚀产物少、裂隙少且Si信号强S信号弱，印证nS细化孔隙抑制侵蚀。
   3.3.2 Mineralogical (XRD)：SF7.5石膏与钙矾石峰强，nS3相应峰低且SiO₂相关峰更高，表明nS延缓硫酸盐反应进程。
2. 4.
   Model Performance and Interpretability（模型性能与可解释性）
   5.1 Optimization and validation of the Diffusion Coefficient Equation（扩散系数方程优化与验证）：基于物理推导公式结合ML反算获得的D_se与实验值吻合良好，XGB类集成模型优于传统经验公式。
   5.2 Performance measurement（性能指标）：MO-CCO–GBDT最优——测试集R²=98.36%，MSE=0.0032，MAPE=1.89%；纯物理扩散模型R²=81.45%，MAPE=8.94%；RF/LSTM/TabNet次之。Pareto前沿显示GBDT在精度–复杂度间取得最佳平衡。
   5.3 Model Explainability（模型可解释性）：SHAP摘要图与偏依赖图（PDP）表明损伤度f_d(Φ)与孔隙率φ对D_se正向影响最大（提高连通性与传输通道），湿度Θ与温度T亦呈正效应，SCM掺量W_scm与CH消耗C_CH呈负向影响（孔结构致密化与化学结合削减游离SO₄^2?）；Pearson相关分析显示变量间无严重多重共线性，树模型对此不敏感。特征重要性排序为：损伤度＞湿度＞温度＞孔隙率＞SCM＞CH消耗，与物理机制一致。五折交叉验证GBDT平均R²=0.978（Std=0.006），学习曲线收敛无过拟合。

【讨论与结论翻译（Conclusions）】

本研究建立了一种物理引导机器学习与深度学习混合框架，用于预测干湿循环与温度变化环境下掺硅灰(SF)与纳米二氧化硅(nS)混凝土的有效硫酸盐扩散系数(D_se)。通过360天10% Na₂SO₄溶液25/30/35 °C暴露实验获取理化劣化数据并融入ML/DL建模，得出以下结论：

(1) 硫酸盐劣化随暴露时间延长与温度升高加剧，源于离子传输加速、孔结构退化、膨胀性硫酸盐反应产物形成及微开裂发展，干湿循环与温度的耦合效应对硫酸盐扩散系数演化及劣化动力学影响显著。

(2) 掺加SF与nS通过细化孔隙、降低渗透性及消耗CH提升抗硫酸盐性能；nS改性混凝土效果最优，360天后硫酸盐侵入深度较OPC降低达24%，nS2配比抗压强度损失最小（约4%）。

(3) 多目标布谷鸟–鲶鱼优化器(MO-CCO)优化的梯度提升决策树(GBDT)预测性能最佳（R²=98.36%，MAPE=1.89%，MSE=0.0032），交叉验证与学习曲线证实其泛化能力且无严重过拟合。

(4) MO-CCO相较MOJAYA与MOBOA具更优收敛稳定性与寻优鲁棒性，归因于其平衡的全局探索–局部开发能力与种群多样性保持机制。

(5) SHAP、PDP及特征重要性分析认定损伤度与孔隙率为影响硫酸盐扩散性的主控变量；温度与SCM虽SHAP贡献相对较低，但其效应通过孔连通性演化、湿度传输及理化降解过程间接体现，与SEM/XRD/TGA观测结果一致。

总体而言，该框架为真实环境暴露下水泥基材料硫酸盐诱发耐久性评估提供了精确、具物理可解释性及计算高效的方法，可用于严酷硫酸盐环境中混凝土基础设施的耐久性设计、智能状态评估及服役寿命预测。