摘要
为克服传统石灰基材料设计依赖经验试错、难以精准预测长期性能的局限，本研究建立了从分子/纳米尺度到宏观工程尺度的跨尺度计算模拟框架。通过分子动力学（MD）模拟水化产物形成机制，采用有限元方法（FEM）和离散元方法（DEM）模拟细微观结构演化与力学行为，并结合机器学习（ML）实现多尺度数据的融合与性能预测。最终开发了集材料设计、性能仿真与优化于一体的数字化设计平台，实现了石灰基材料从“经验配制”到“计算设计”的范式转变。
一、多尺度模拟框架的构建
- 尺度划分与关联
纳观尺度（<1 nm）：分子动力学（MD）模拟，研究C-S-H凝胶前驱体（硅酸钙水合物）的聚合过程、离子在孔隙溶液中的迁移、纳米颗粒与凝胶界面。
微观尺度（1 nm - 100 μm）：基于相场法（PFM）或细胞自动机（CA），模拟水泥颗粒的水化过程、各相（未水化颗粒、C-S-H、CH、孔隙）的空间分布演化。
细观尺度（100 μm - 10 mm）：采用离散元法（DEM）或基于真实CT扫描图像构建的有限元模型，研究骨料、砂浆、界面过渡区（ITZ）及孔隙组成的复合材料在荷载下的裂纹萌生与扩展。
宏观尺度（>10 mm）：连续介质有限元法（FEM），模拟构件或结构在复杂环境与荷载下的整体响应。
- 跨尺度信息传递方法
参数传递：将下一尺度计算得到的等效性能参数（如弹性模量、强度、渗透系数）作为上一尺度模型的输入材料属性。
结构信息传递：将微观尺度模拟生成的具有统计代表性的代表性体积单元（RVE）结构，嵌入到细观尺度模型中。
二、关键科学问题的模拟揭示
- 纳观尺度：石灰激发下的凝胶形成机理
模拟体系：构建Ca²⁺、OH⁻、硅酸根寡聚体（[SiO₄]⁴⁻）、铝酸根离子的水溶液模型。
发现：模拟揭示了Ca²⁺在桥接硅酸根四面体形成初始C-S-H链状结构中的关键作用，以及Al³⁺的掺入对凝胶结构稳定性的影响。这从理论上解释了石灰激发粉煤灰、矿渣的火山灰反应本质。
- 微观尺度：水化动力学与微观结构预测
模型建立：基于Krstulovic-Dabic水化动力学模型，耦合相场法模拟水化颗粒边界移动和各相生长。
应用：输入石灰、粉煤灰等组分的粒径分布和化学组成，可预测不同龄期、不同养护条件下的水化程度、各相体积分数、孔隙率及孔隙分布。与实验测量结果吻合良好。
- 细观尺度：断裂行为与耐久性机理
DEM模拟：将骨料、砂浆、ITZ建模为不同力学性质的颗粒簇或粘结单元。
揭示规律：
清晰地再现了裂纹优先在较弱的ITZ处萌生，并沿ITZ扩展或穿透砂浆的过程。
模拟了冻融循环中孔隙水结冰膨胀对周围固体骨架产生的应力，以及由此引发的微裂纹累积。
量化了纤维掺入对裂纹扩展路径的偏转和桥接作用，解释了增韧机理。
三、机器学习辅助的材料逆向设计与性能预测
- 材料基因数据库构建
收集并整理了数百组石灰基材料的“基因”数据，包括：
组成基因：各组分化学组成、粒径分布。
工艺基因：水胶比、养护条件。
性能基因：各龄期力学性能、耐久性指标、微观结构参数（来自模拟和实验）。
环境基因：服役环境参数（温度、湿度、侵蚀介质）。
- 机器学习模型的训练与应用
预测模型：采用随机森林（RF）、梯度提升树（GBDT）或深度神经网络（DNN），训练从“组成/工艺/环境基因”到“性能基因”的映射模型。
逆向设计：在给定目标性能（如“28天强度≥10MPa且抗冻融循环≥50次”）和约束条件（如成本、固废利用率）下，利用优化算法（如遗传算法）在材料基因空间中搜索出最优的组成与工艺配比方案。
案例：成功逆向设计出一种用于盐渍土地区的石灰-矿渣-偏高岭土复合稳定材料，其预测性能与后续试验结果偏差小于10%。
四、集成化数字化设计平台开发
- 平台架构
前端：用户友好的图形界面，允许工程师输入设计要求和边界条件。
计算引擎：
ML快速预测模块：调用训练好的模型，对候选配比进行快速性能筛查。
多尺度模拟模块：对优选方案进行高保真的多尺度模拟，验证性能并揭示机理。
优化算法模块：驱动逆向设计流程。
数据库：存储材料基因数据、模拟结果和案例库。
后处理与报告：自动生成性能预测报告、微观结构可视化图像和配合比推荐书。
- 平台功能
正向性能预测：输入配合比，预测其力学、变形、耐久性及长期性能演化。
逆向材料设计：输入性能目标，推荐最优材料组成与工艺。
虚拟试验：替代部分繁复的室内试验，进行“数字试错”，大幅缩短研发周期。
服役行为仿真：将设计的材料属性赋予宏观道路结构模型，预测其在交通荷载和环境作用下的长期行为。
五、验证、应用与影响
- 实验验证
针对平台设计的多种新型石灰基材料，进行了系统的室内试验验证。结果表明，平台在强度、弹性模量、干燥收缩等关键性能上的预测准确率超过85%。
- 工程应用案例
某高速铁路路基改良设计：项目位于膨胀土地区。传统方法需大量试验。通过平台逆向设计，一周内提出了石灰-磷石膏-粉煤灰的优化配比，经试验验证完全满足要求，节省研发时间约60%。
- 对行业的影响
变革研发模式：从“经验+实验”转向“理论预测+实验验证”，提高研发效率和精准度。
促进材料创新：能够在广阔的“材料基因”空间中进行探索，加速新型高性能、多功能材料的发现。
支撑数字化交付：未来工程材料可附带其“数字孪生”模型（即平台中的材料模型），用于结构全生命周期的性能模拟与预测性维护。
六、挑战与未来方向
- 当前挑战
模拟精度：纳观、微观模拟所需的力场参数和本构模型仍需完善。
计算成本：高保真的多尺度模拟计算资源消耗大。
数据质量与共享：高质量的材料基因数据积累不足，行业数据壁垒存在。
- 未来方向
高通量计算与AI深度融合：利用高通量计算自动生成海量模拟数据，训练更强大的AI预测模型。
云平台与协作：开发基于云的多尺度材料设计平台，促进数据和模型共享。
涵盖更广尺度：向上延伸至结构尺度的数字孪生，向下延伸至量子化学计算。
标准化：推动材料信息学、计算模拟在土木工程材料领域的标准化进程。
七、结论
本研究成功构建了石灰基材料的多尺度计算模拟框架，并融合机器学习，开发了具有正向预测和逆向设计能力的数字化平台。这标志着石灰基材料的研究与开发进入了数字化、智能化的新阶段。该方法不仅显著提升了材料设计的科学性和效率，其核心思想与平台架构亦可推广至水泥混凝土、沥青混合料等其他土木工程材料领域，对于推动整个行业的技术进步与产业升级具有深远意义。
