水泥行业二氧化碳排放量约占全球排放量的8%，超过全球航空业。近日，保罗·谢勒研究所(PSI)研究人员开发出基于人工智能的模型，有望加速研发新水泥配方，在保持材料质量的同时降低碳足迹。

水泥生产过程中，回转窑被加热到1400°C高温，将磨碎的石灰石烧成熟料，此过程为能源密集型燃烧过程，会排放大量二氧化碳。不过，令人意外的是，燃烧过程产生的二氧化碳不到排放总量的一半，大部分二氧化碳源于生产熟料和水泥所需的原材料——石灰石在高温窑炉转化时，以化学方式结合在其中的二氧化碳被释放出来。

减少水泥行业排放的有效策略是修改水泥配方，用替代胶凝材料替代部分熟料。保罗·谢勒研究所核工程与科学中心废物管理实验室的跨学科团队一直致力于此，他们没有依赖耗时的实验或复杂模拟，而是开发了基于机器学习的建模方法。

研究第一作者、数学家罗马娜·博伊格解释道：“这使我们能够模拟和优化水泥配方，在保持高水平机械性能的同时，显著减少二氧化碳排放。无需在实验室测试数千种配方，用模型几秒钟就能生成实用配方建议，就像拥有一本气候友好型水泥的数字食谱。”

凭借新方法，研究人员能选择性筛选符合预期标准的水泥配方。保罗·谢勒研究所运输机制研究小组负责人、研究发起人和合著者尼古拉斯·普拉西亚纳基斯称：“材料成分可能性范围广，最终决定性能。我们的方法能通过选择有希望的候选材料进行进一步实验研究，显著加快开发周期。”该研究结果发表在《材料与结构》杂志上。

水泥是现代世界重要组成部分，与沙子、砾石和水混合后成为混凝土，用途广泛、经久耐用，是基础设施建设不可或缺的材料。如今人类消耗的水泥比食物还多，大约每人每天1.5公斤。保罗·谢勒研究所水泥系统研究小组负责人、研究合著者约翰·普罗维斯表示，若能将水泥排放状况改善几个百分点，就相当于减少数千甚至数万辆汽车的二氧化碳排放量。

目前，炼铁产生的矿渣和燃煤电厂产生的粉煤灰等工业副产品已用于部分替代水泥配方中的熟料以减少排放，但全球水泥需求巨大，仅靠这些材料无法满足。普罗维斯认为需要大量供应且能生产高质量、可靠水泥的材料组合，但找到这样的组合颇具挑战性，因为水泥本质是矿物粘合剂，其背后的物理过程复杂，计算机建模耗费计算资源且成本高昂，所以研究团队依赖人工智能。

人工神经网络利用现有数据训练，能加速复杂计算。保罗·谢勒研究所研究人员利用该网络，自己生成训练所需数据。他们借助研究所开发的开源热力学建模软件GEMS，针对不同水泥配方计算硬化过程中形成的矿物和发生的地球化学过程，结合实验数据和力学模型得出可靠的力学性能指标衡量水泥质量，并为每种成分应用二氧化碳因子确定总排放量。

经过训练的神经网络计算速度极快，能在几毫秒内算出任意水泥配方的机械性能，比传统建模快约一千倍。为找到既能降低二氧化碳排放量又能保证材料质量的最佳水泥配方，研究人员将问题表述为数学优化任务，寻找能同时最大化机械性能并最小化二氧化碳排放的成分。团队还融入遗传算法这一人工智能技术，选择性地识别出完美结合两个目标变量的配方。

这种“反向方法”优势明显，无需盲目测试无数配方再评估特性，而是专门搜索符合特定期望标准的配方。在研究人员确定的水泥配方中，已出现一些颇具前景的候选配方，不仅在二氧化碳减排和质量方面表现良好，实际生产可行性也较高。不过，这些配方要完成整个研发周期，还需先在实验室测试。

这项研究主要是概念验证，证明仅通过数学计算就能识别有前景的配方。研究人员表示可根据需要扩展人工智能建模工具，整合原材料生产或可用性、建筑材料使用场景等其他方面。普拉西亚纳基斯认为这仅是开始，该通用工作流程能节省大量时间，适用于各种材料和系统设计。

该项目的实现离不开研究人员的跨学科背景，需要水泥化学家、热力学专家、人工智能专家以及整合各方的团队。此外，在SCENE项目框架内，与EMPA等其他研究机构的交流也至关重要。SCENE(瑞士净零排放卓越中心)是跨学科研究项目，旨在开发科学合理的解决方案，大幅减少工业和能源供应领域的温室气体排放，此研究是该项目的一部分。

更多信息：Romana Boiger 等人，机器学习加速绿色水泥配方发现，《材料与结构》(2025 年)