[论文解读] Accelerated Discovery of Sustainable Building Materials

Xiou Ge, Richard Goodwin+4 more|arXiv (Cornell University)|May 20, 2019

3D Surveying and Cultural Heritage参考文献 16被引用 8

一句话总结

本文提出一种条件变分自编码器（CVAE），以加速发现环境影响更小的可持续混凝土配合比，同时满足结构性能要求。该模型在公开的UCI数据集及基于LCA计算的环境指标上进行训练，生成的混凝土配方在全局变暖潜势、酸化潜势和累积用水量方面相比现有配方最高可降低30%，并通过回归模型和3D可视化工具验证了其有效性。

ABSTRACT

Concrete is the most widely used engineered material in the world with more than 10 billion tons produced annually. Unfortunately, with that scale comes a significant burden in terms of energy, water, and release of greenhouse gases and other pollutants. As such, there is interest in creating concrete formulas that minimize this environmental burden, while satisfying engineering performance requirements. Recent advances in artificial intelligence have enabled machines to generate highly plausible artifacts, such as images of realistic looking faces. Semi-supervised generative models allow generation of artifacts with specific, desired characteristics. In this work, we use Conditional Variational Autoencoders (CVAE), a type of semi-supervised generative model, to discover concrete formulas with desired properties. Our model is trained using open data from the UCI Machine Learning Repository joined with environmental impact data computed using a web-based tool. We demonstrate CVAEs can design concrete formulas with lower emissions and natural resource usage while meeting design requirements. To ensure fair comparison between extant and generated formulas, we also train regression models to predict the environmental impacts and strength of discovered formulas. With these results, a construction engineer may create a formula that meets structural needs and best addresses local environmental concerns.

研究动机与目标

• 开发一种基于人工智能的方法，用于生成环境影响最小化但满足强度要求的混凝土配合比。
• 通过在Materials Project尚未探索的领域应用半监督生成模型，填补可持续混凝土配方设计的空白。
• 使建筑工程师能够根据本地环境关切，设计出低影响的混凝土配方。
• 通过基于回归模型的强度和环境影响预测，验证生成配方在现实性能中的表现。

提出的方法

• 使用结合UCI机器学习数据集与通过基于网络的LCA工具计算的环境影响指标的数据集，对条件变分自编码器（CVAE）进行训练。
• 通过从标准双变量正态分布中采样潜在码，将生成过程条件化于目标抗压强度和养护时间。
• 使用在相同数据集上训练的独立回归模型预测环境影响（GWP、AP、CBW）和抗压强度，以实现公平比较。
• CVAE为每个养护时间组生成60,000种混凝土配方，通过强度和养护时间的条件化实现针对性设计。
• 通过3D可视化工具将生成的配方映射至环境影响空间，以颜色编码强度，支持设计决策。
• 通过在最小值与最大值之间插值强度值，实现属性条件化生成，展示预测强度的渐进变化。

实验结果

研究问题

• RQ1 CVAE模型能否在保持所需抗压强度的前提下，生成环境影响低于现有配方的混凝土配合比？
• RQ2 CVAE在基于特定强度和养护时间目标生成混凝土配方方面的有效性如何？
• RQ3 与现有混凝土配合比相比，该模型在多大程度上可降低全球变暖潜势、酸化潜势和累积用水量？
• RQ4 能否在包含强度作为颜色维度的3D环境影响空间中可视化生成的配方，以支持实际设计？
• RQ5 在不同养护时间区间内，模型预测的强度与目标条件强度的匹配程度如何？

主要发现

• CVAE模型成功生成了抗压强度与现有最佳配方相当，但全球变暖潜势（GWP）、酸化潜势（AP）和累积用水量（CBW）最高降低30%的混凝土配方。
• 对于每个养护时间组，超过10%的生成配方在GWP、AP和CBW三个维度上的环境影响均低于现有最佳配方。
• 3D环境影响空间可视化揭示了不同污染类型之间的权衡，支持多目标设计决策。
• 在7天养护时，强度条件化生成表现最佳，其均方根误差（RMSE）显示预测强度与目标强度高度一致。
• 高性能生成点的凸包近似表明，在所有三个影响类别中均存在一个可实现更优环境性能的可行区域。
• 一种特定生成配方位于极端点附近，在14天时达到30 MPa强度，同时显著降低了环境影响，验证了该模型在实际设计中的潜力。