1. 研究背景与问题定义问题水泥生产占全球 CO₂ 排放的 8%是数据中心建设碳排放的主要来源。降低混凝土的碳足迹即全球变暖潜势GWP对可持续发展至关重要。挑战混凝土的关键性能指标——28 天抗压强度测试周期极长必须等待 28 天导致传统实验方法效率极低难以快速探索低碳配方。目标利用贝叶斯优化加速寻找既能保持足够抗压强度1 天和 28 天、又能最小化 GWP 的混凝土配方。2. 提出的核心方法概率强度模型3. 优化框架多目标贝叶斯优化将可持续混凝土配方设计明确建模为一个多目标优化问题三个目标最大化1 天抗压强度反映早期强度影响施工进度最大化28 天抗压强度标准结构强度指标最小化GWP即最大化 -GWP反映环境可持续性。优化方法使用贝叶斯优化并采用qLogNEHVI采集函数一种针对多目标、并行批次的期望超体积改进主动设计并推荐下一批待实验的混凝土配方。真实实验验证所有推荐的配方均在实验室按照 ASTM C109 标准制备和测试获取真实的抗压强度数据反馈给模型进行迭代优化。4. 实验结果与主要结论优化效果显著与初始的人工设计批次基于行业经验相比贝叶斯优化推荐的混凝土配方在1天和28天抗压强度与GWP之间的帕累托前沿上实现了持续且明显的改进。这意味着在相同或更低 GWP 下获得了更高强度或在相同强度下显著降低了碳排放。帕累托前沿分析最高 GWP 的帕累托最优配方已经优于纯水泥配方表明可以在不牺牲强度的情况下实现一定程度的减碳。更大的减碳目标则需要接受强度与 GWP 之间的权衡。推断帕累托前沿的应用利用训练好的强度模型可以针对不同约束条件如限制水胶比、禁用粉煤灰或矿渣计算推断的帕累托前沿为特定地区或项目提供定制化配方建议。例如模型预测去除粉煤灰对 28 天强度的帕累托前沿影响很小但去除矿渣则会造成显著的负面效果。总体贡献方法论提供了一个将物理先验零强度、时间对数变换、共享曲线形状融入高斯过程的框架使得在小样本真实实验数据下也能准确预测混凝土强度。实践成果通过贝叶斯优化主动学习实际制造并测试了多批低碳高性能混凝土配方证明了该方法比传统经验试错法更高效地发现了更优的强度-GWP 权衡。开源与影响所有代码已开源旨在加速数据中心及整个建筑行业的低碳混凝土研发对全球减排有潜在贡献。这里是自己的论文阅读记录感兴趣的话可以参考一下如果需要阅读原文的话可以看这里如下所示项目地址在这里如下所示摘要全球8%的二氧化碳排放可归因于水泥的生产水泥是混凝土的主要组成部分也是数据中心建设中二氧化碳排放的主要来源。因此发现低碳混凝土配方对可持续性具有重大意义。然而实验新的混凝土配方耗时且劳动密集因为通常需要等待记录混凝土的28天抗压强度而根据其定义这一测量过程无法加速。这为贝叶斯优化等实验设计方法提供了加速寻找高强且可持续混凝土配方的机会。在此我们1提出建模步骤使得混凝土强度能够通过高斯过程模型在相对较少的测量下被准确预测2将寻找可持续混凝土表述为一个多目标优化问题3利用所提出的模型结合算法推荐的混合物的实际强度测量值进行多目标贝叶斯优化。我们的实验结果表明与基于当前行业实践的混合物相比在混合物的全球变暖潜势与其抗压强度之间实现了更优的权衡。1. 引言全球8%的二氧化碳排放可归因于水泥的生产Lehne 和 Preston2018水泥是混凝土的主要反应性组分对人为气候变化有显著贡献Solomon 等2009。相比之下2019年全球商业航空的年排放量估计为2.4%Graver 等2019。混凝土也是数据中心建设中二氧化碳排放的主要来源占相关排放的20%-30%因此减少混凝土的碳足迹对于现代科技公司运营的脱碳至关重要。此外同时具有低碳足迹和安全强度水平的混凝土混合物可能成为实现社会脱碳目标和减缓气候变化的关键部分。然而传统混凝土主要针对成本、可获得性和28天抗压强度进行优化。为了满足建设和可持续发展目标混凝土需要针对额外的、通常是相互冲突的目标进行优化固化速度和环境影响后者通常用全球变暖潜势表示单位是千克二氧化碳每立方米。这些对立目标的优化是本工作的主要目标并且是Meta数据中心低碳混凝土开发计划的一部分该计划包括模型开发、实验室测试、试点项目及其数据中心的规模化应用Ge 等2022Sudhalkar 等2022。在此我们概述了我们的方法论和经过验证的实验结果这些结果能够实现可靠的强度预测并优化低碳混凝土设计中固有的权衡。具体而言我们1提出了一个概率模型将混凝土配方映射到抗压强度曲线2将寻找可持续混凝土表述为一个多目标优化问题3结合所提出的模型利用实际的抗压强度测量值采用贝叶斯优化来加速强度与GWP之间权衡的优化。2. 背景2.1 高斯过程2.2 多目标贝叶斯优化3. 抗压强度的概率模型在先前的工作中Carino 和 Lew2001提出了混凝土抗压强度随时间演变的解析形式Luo 和 Paal2021提出了一个非时间、非概率的核回归器来预测混凝土的侧向强度而 Ge 等人2022使用了条件变分自编码器来预测离散 t 天间隔的抗压强度。在此我们提出了一个概率模型 strength(x,t)该模型联合建模了对组分 x 和时间 t 的依赖性。由于数据变换、数据增强和定制核函数所提出的模型即使在数据量较少的情况下也能保持准确。零天零强度约束混凝土强度的一个简单但关键的特性是在浇筑时强度为零。由于浇筑时没有实际测量值强度数据集通常不包含零天行为记录。因此将通用机器学习模型直接应用于这些数据集可能会预测出接近零天的非物理、无意义的值。我们提出了一个简单的数据增强方法来解决这个问题该方法可推广到任何模型类型对于训练数据集中的任何混凝土混合物我们在时间零点添加一个人工观测值对应的强度为零。我们还会为随机选择的组分子集 x 在时间零点添加额外的人工观测值以鼓励模型在与任何观测组分都不相似的组分上也能符合该行为。图 1我们提出的模型左和标准高斯过程右对两种不同组分 xx 的强度曲线预测1100% 水泥蓝色和 220% 粉煤灰绿色。模型评估图 1 显示了对于两种固定组分 x我们的模型左和朴素高斯过程右预测的强度曲线 strength(x, ⋅⋅ )横跨时间 t。两个模型均在 UCI 混凝土强度数据集Yeh2007上训练我们在开始自己的实验之前使用该数据集开发了模型。虽然将高斯过程直接应用于数据点圆点是不成功的但我们的模型准确且校准良好。4. 作为多目标优化问题的可持续混凝土提高可持续性是本工作的动机但同时将混凝土的抗压强度维持在特定应用阈值以上也至关重要。具体来说我们的主要目标是使混凝土具有可持续性这是一个多方面的概念包括但不限于生产过程中的碳排放影响。在此我们关注全球变暖潜势来量化混凝土混合物的可持续性但这些方法是通用的可以扩展到量化可持续性其他方面的指标。重要的是如果相关的混凝土配方无法用于通常工期紧张的施工那么任何 GWP 的降低都将变得毫无意义。因此我们将短期 1 天和长期 28 天固化持续时间的抗压强度也添加到我们的目标列表中。图 21 天左和 28 天右抗压强度与 GWP 的经验帕累托前沿。帕累托最优测量值用绿色圆圈标出。较深的颜色对应于人工生成的混合物而深橙色到黄色光谱上的颜色对应于人工智能提出的混合物。然后我们采用贝叶斯优化使用 Ament 等人2023的 qLogNEHVI 采集函数Daulton 等人2020的 qNEHVI 的 LogEI 变体设计批次的组分 X利用实际的抗压强度实验针对方程4中多目标优化问题的帕累托前沿进行优化。5. 实验5.1 真实世界实验设置所有砂浆试件的实验测试均按照 ASTM C109 标准进行如下所述。制备 2 英寸砂浆立方体并在 22°C 下养护首先将细骨料与一半的水混合然后加入所有胶凝材料与剩余的水。在第二阶段混合期间根据需要添加高效减水剂。混合和捣实后在每个模具上覆盖塑料衬里以防止显著的水分流失。在模具内养护 24 小时后将砂浆立方体试件取出并浸没在室温22°C下的饱和石灰水浴中。分别为 1、3、5 和 28 天的养护龄期各制备三个试件。所有试件均使用 Forney 抗压试验机以 400 lb/s 的恒定加载速率进行抗压加载。5.2 实证优化结果图 2 显示了实验实现的 1 天左和 28 天右抗压强度与 GWP 之间的权衡。所提出的混合物在随机初始集第 1 批人工和受行业实践启发的混合物集第 2 批人工的基础上迅速改进。人工智能提出的批次将经验帕累托前沿向外推提供了可持续性和强度之间日益精细的权衡集。幸运的是图 2 中显示的最高 GWP 帕累托最优组合优于纯水泥混合物的 GWP-强度权衡未在图 2 中显示这意味着 GWP 的降低可以在一定程度上在不牺牲强度的情况下实现尽管更大的 GWP 降低确实需要这样的权衡。图 31 天左和 28 天右抗压强度与 GWP 的预测帕累托前沿。5.3 推断的帕累托前沿除了将提出的混凝土强度模型用于贝叶斯优化之外我们还可以使用它来计算在特定应用约束条件下的推断帕累托前沿。以这种方式查询模型既有助于获得科学见解也因为粉煤灰或矿渣分别是煤炭和钢铁厂的废弃物可能仅在特定地区有效获取。通过根据特定地点的约束计算推断的帕累托前沿我们可以生成针对特定建设项目定制的组分建议。图 3 显示了在不同水胶比约束下推断的帕累托前沿的数值近似水胶比影响混凝土的工作性通常水胶比越高工作性越好并且还限制了混合物不含粉煤灰橙色或矿渣绿色。推断的帕累托前沿提供了几个见解1水胶比对抗压强度有显著影响这一现象已在混凝土文献中被指出Nagaraj 和 Banu1996Rao20012从组分空间中去除粉煤灰对 28 天内可实现的权衡影响可忽略不计3去除矿渣具有显著的负面影响。我们强调这些结果是基于预测的但在质量上与专家对变量影响的共识相符。6. 结论我们引入了一个概率模型用于描述混凝土抗压强度作为其组分函数的时间演变将寻找高强且可持续混凝土配方的问题形式化为一个多目标优化问题并利用贝叶斯优化来提出新的混凝土混合物以进行实际测试。我们通过在 github.com/facebookresearch/SustainableConcrete 开源我们的方法力求加速可持续混凝土的开发。这项工作有可能减少数据中心建设和更广泛的建筑行业的碳足迹并可能产生全球性影响。附录 A. 背景附录 B. 概率抗压强度模型强度模型交叉验证图 4 显示了数据集中所有第 1 天强度值的交叉验证结果突显了通常良好的预测准确性和校准良好的不确定性。关于单调性混凝土强度的另一个特征是其单调增加至最终值。虽然已经提出了在高斯过程导数上包含此约束的技术但它们引入了额外的复杂性我们迄今尚未发现这些复杂性值得潜在的模型性能提升。由于其他模型组件如对数时间变换、加性时间相关分量以及训练数据中不同的测量时间范围模型预测均值在我们的经验观察中已经是单调的。长远来看包含此约束可能会增加实践者对模型的信任和采用。图 4第 1 天抗压强度预测的交叉验证结果。
尧图网络