AI驱动优化粘土地聚物凝胶配比|凝胶|材料|粘土|纳米|聚合物|高斯

演讲者：克拉克森大学 Roshan Arachchige

概述：机器学习是一种广泛使用的统计工具，现在在大多数领域都很常见。经过训练的机器学习模型可以轻松取代用于材料表征的复杂且昂贵的方法。在这里，我们利用机器学习的最新发展，从统计纳米压痕结果以及能量色散 X 射线光谱 (EDS) 映射中预测地质聚合物糊剂 (GP) 的硬度和弹性模量等微观机械性能。我们使用 K 均值聚类和高斯混合模型分析了纳米压痕数据，以聚类和识别碱活化糊剂中存在的相。此外，对进行纳米压痕的样品进行了 EDS 映射。EDS 图随后转换为 RGB 照片，其中颜色强度代表主要元素强度（Si、Al、Na）。使用多元线性回归 (MLR)、支持向量回归 (SVR) 和高斯过程回归 (GPR) 训练纳米力学数据和 EDS 图中的颜色强度，以建立模型来预测给定元素组成的纳米力学特性。GP 是使用煅烧粘土、地面底灰、火山灰和流化床燃烧灰作为前体，以硅酸钠溶液作为活化剂生产的。统计纳米压痕和 EDS 图是从 28 天前的常温固化糊状样品中收集的。通过与不同地质聚合物凝胶的实验结果直接比较，将评估该方法的预测能力和优势。

https://www.youtube.com/watch?v=urLlywtLCns

简介

大家下午好，我是来自克拉克森大学的罗尚。今天我演讲的主题是使用机器学习技术分析地聚合物凝胶的微观机械性能。

背景与动机

我将先介绍一些背景以及我进行这项研究的动机。众所周知，普通水泥（OPC）大约占工业二氧化碳排放的8%。为了应对这一可持续性问题，许多研究者提出了新的建议，其中之一是基于粉煤灰和矿渣的碱激活混凝土，这是一种零普通水泥的混凝土系统。然而，由于热电厂的关闭以及再生钢材使用的增加，这些粉煤灰和矿渣资源正在减少。因此，我们需要探索新的胶结材料，以便在未来保持可持续发展。为了解决这一问题，我们探讨了三种地下水泥和三种钙土，并将其视为潜在的胶结材料。这些材料在碱激活后表现出良好的抗压强度，范围在4000到6000 PSI之间。

除了新鲜和固化性能外，我们还需要识别这些样本中的微观机械性能。我们都知道水泥材料由多个相组成，这些不同类型的相具有不同的微观机械性能。我们感兴趣的两个主要微观机械性能是减小模量和微硬度，这些可以通过纳米压痕技术轻松测量。因此，研究者们发现粉煤灰和矿渣地聚合物中存在多个相。主要的基质是钙铝水泥胶，以及在样本中可以找到的未定向颗粒和裂缝。

分析这些微观结构性能至关重要，以便我们能够理解这些相，并进一步提升地聚合物的强度和耐久性。因此，我研究的主要目标是使用机器学习分析底部水泥和钙土基地聚合物凝胶的微观机械性能，并试图识别其中存在的不同微观结构相。

材料

正如我之前所说，我使用的两种材料是棕色底部水泥和钙土。这种底部水泥是冷燃烧的残余物，我选择了三种不同的水泥，它们具有不同的外部成分和矿物成分。主要是根据钙氧化物含量来区分这三种底部水泥。所用的钙土主要是以高岭土为基础的，经过750摄氏度的焙烧。这三种材料也具有不同的氧化物和矿物成分。作为激活剂溶液，我使用了硅酸钠和氢氧化钠的溶液。

实验

接下来我们进入实验部分。通过使用这两种材料，我制备了这些样本，并在25摄氏度下养护28天。然后，我准备了环氧树脂浸渍的样本，并对其进行抛光以获得光滑的表面。接着，我大致将一个样本分成四个部分，并从每个位置获得200个数据点，总共800个数据点。我使用高精度纳米压痕仪进行数据收集，按照10x20的网格模式，间距为10微米，压痕负载为2.5毫牛顿。

分析

为了分析我获得的数据，我使用了两种方法。第一种是高斯混合模型（GMM），可应用于纳米压痕数据，假设数据服从高斯概率密度函数，并且峰的叠加是线性的。高斯分布有两个参数：均值和方差。第二种方法是K均值聚类，这是一种无监督的机器学习算法，用于将n个数据分成K个聚类，通过最小化每个聚类内的平方和。

聚类数量

为了使用这两种分析技术，我首先需要确定聚类的数量或样本中存在的相的数量。为此，我绘制了所有的聚类内平方和（WSS）图。当聚类数量增加时，WSS会减少。通过这种方法，我确定K=5作为聚类数量是合适的。此外，我还使用了肘部法则来计算聚类间平方和。当聚类数量增加时，聚类间平方和也会增加。基于这两种方法，我最终决定K=5为最佳聚类数。

高斯混合模型（GMM）

这是高斯混合模型的结果。我从每种材料组中选择了一种材料进行展示。来自棕色底部水泥的材料是GBA 3，来自钙土组的材料是CC3。我使用减小模量数据绘制了直方图，并基于直方图绘制了其概率密度函数，将其解卷积为五个子峰。每个子峰都有权重、均值和方差。如果你观察第一个图，子峰的叠加较少且峰值分布广泛。GBA 3材料的第一和第二峰较大，具有较高的权重。同样在CC3材料中，第一和第二子峰也具有较高的权重，但与第一种材料相比，峰值高度叠加，因为数据点集中。

K均值聚类

这是我进行的K均值聚类结果。我将数据聚类为五个聚类，每个聚类都有权重、均值和标准偏差。GBA 3的聚类数据范围较广，因其含有多种矿物；而CC3的聚类数据范围较窄，因为该材料是纯粘土，聚类内的变异性较低。我还观察到，第一和第二个聚类的权重最高。

阶段识别

在这一阶段，我绘制了所有材料的k均值聚类值的第一张图，以及GMM模型的结果的第二张图。

根据这些均值，我区分了五个不同的相。前两个聚类代表反应产物，其中第一个是低钙、钠和铝的相，第二个则是高钙和钠的相。第三和第四个聚类分别代表未反应的颗粒、无定形材料和晶体材料。第五个聚类则代表材料中存在的金属化合物和金属氧化物。

我观察到GBS的值范围较广，主要是由于这些刚性晶体材料的存在，而相1和相2的权重较高，主要是样品中的反应产物。

CC3中压痕的EDS点分析

为了验证这些数据，我进行了EDS点分析。我为每个纳米压痕获取了EDS点数据，并根据聚类计算了每个类别的铝与硅比、钠与硅比和钙与硅比，并将其平均到该组中。

根据聚类，我描绘了这些比率的变化。如果你观察聚类1，与聚类2相比，其钙、铝和钠的比率较低，这两个聚类均代表反应产物。聚类3和4在材料中含有高硅含量，它们则代表未反应的矿物。聚类5的比率最低，因为它们来自金属氧化物。

地聚合物的SEM成像

我还进行了地聚合物的SEM成像，发现样品中存在不同的相。我们发现了水合硅酸盐基质、未反应的无定形材料和晶体材料。

结论