文献速递|AI引导低碳超高性能混凝土配比自动发现方法:AutoML与多目标优化

超高性能混凝土（UHPC）具有优异的力学性能和耐久性，但高昂的生产成本和较高的碳排放制约了其规模化应用。传统试错法研发周期长、成本高，难以高效探索配比参数与性能指标间的复杂关系。人工智能辅助材料发现为解决这一问题提供了新思路，但现有研究多聚焦于单一目标优化，对同时考虑碳排放和成本的低碳低成本UHPC配比自动发现方法研究不足。

Fig. 1. Flowchart of the proposed method for auto-discovery of low-carbon cost-effective UHPC.

本研究提出AI引导的低碳UHPC配比自动发现框架，整合自动机器学习（AutoML）流水线与多目标优化算法。AutoML负责自动化模型选择与超参数调优，多目标优化算法同步优化碳排放、成本和力学性能三个目标。数据集包含文献报道的UHPC试验数据，通过数据增强提升模型泛化能力。

Fig. 2. The flowcharts for the ensemble learning: (a) stacking and (b) voting ensemble methods.

机器学习模型预测精度较高，XGBoost等集成模型在测试集上表现优异，数据增强可显著提升模型鲁棒性。AutoML自动发现了多组低碳低成本UHPC配比，最优配比可实现碳排放降低30%以上同时保持目标强度。多目标优化与Pareto前沿揭示了碳排放-成本-强度间的权衡关系，为实际工程应用提供了参考依据。

Fig. 4. The performance of machine learning models trained with the synthetic data obtained by different generative models; vertical axis shows the RMSE of the developed machine learning models trained by the synthetic data obtained by the four generative models on the real test set.

实验验证表明预测结果与实际测试吻合较好，Taylor图进一步证实集成模型在多指标评估中的稳健性，表明该方法具有良好的泛化能力。AI引导的自动发现方法大幅缩短了研发周期，为低碳建筑材料的智能化研发提供了新范式。

Fig. 6. Actual experimental results versus the predicted results for (a) compressive strength, (b) flexural strength, (c) mini-slump spread, and (d) porosity of UHPC.

本研究提出AI引导的低碳UHPC配比自动发现方法，整合AutoML与多目标优化算法实现了配比的智能高效优化。研究验证了AI辅助发现低碳建筑材料的可行性，最优配比实现碳排放显著降低，归纳为人工智能驱动建材领域绿色转型提供了新思路。