论文标题：Strength and Ductility Enhancement in Coarse-Aggregate UHPC via Fiber Hybridization: Micro-Mechanistic Insights and Artificial Neural Network Prediction

论文链接：http://www.mdpi.com/1996-1944/19/1/157

期刊名：Materials

期刊主页：https://www.mdpi.com/journal/materials

作者介绍

第一作者：

第一作者简介：王激扬，浙江大学高性能结构研究所副教授，副所长。研究领域涉及面向韧性城市的工程结构抗震、减隔震及加固、高性能建筑材料（TRC、FRC、UHPC......）等。近年来主持承担了多项国家自然科学基金面上项目、国家科技部重点研发计划子课题、浙江省自然科学基金重点项目、浙江省重点研发计划子课题等研究工作。围绕高性能材料在韧性城市建设、结构抗震、减隔震、性能评估、智慧材料等方面的热点问题展开研究，取得了多项关键技术的创新，发表SCI等学术论文70余篇，授权国家发明专利15项，出版教材《工程结构抗震设计》一本。

文章导读

超高性能混凝土（UHPC）作为一种先进的工程材料，在抗震、抗爆及抗冲击结构中具有不可替代的优势。然而，高昂的材料成本限制了其在工程中的广泛应用。虽然掺入粗骨料形成的UHPC-CA可显著降低成本，但其对材料强度及韧性的影响机制复杂，传统方法难以对其性能进行可靠预测。浙江大学王激扬副教授团队在期刊 Materials 上发表题为 “Strength and Ductility Enhancement in Coarse-Aggregate UHPC via Fiber Hybridization: Micro-Mechanistic Insights and Artificial Neural Network Prediction” 的研究论文。该研究致力于构建UHPC-CA的综合实验表征与力学性能预测框架，不仅系统探究了粗骨料与混杂纤维对材料流变性与力学性能的影响，更通过微观层面的界面过渡区（ITZ）与裂缝扩展分析，阐明了强韧化的内在机理。在此基础上，研究引入人工神经网络（ANN）技术，建立了能够精准捕捉多参数非线性耦合效应的预测模型。该成果不仅深化了对UHPC-CA微观机制的理解，更为其低成本配合比的优化设计提供了高效的数据驱动工具。

研究过程与结果

1. 试验设计与性能突破

为系统解构多因素对粗骨料UHPC（UHPC-CA）力学性能的影响，本研究采用双L9 (33 )正交试验法进行设计（详见表1和表2）和研究。结果表明，钢-复合纤维混杂体系展现出显著优于钢-聚丙烯组合的力学性能：其抗压强度提升12.4%，抗折强度提升14%。这一突破证实，利用复合纤维部分替代钢纤维是平衡材料成本与韧性的有效策略，但需注意最佳替代率对纤维总体积具有高度敏感性。此外，研究发现粉煤灰的作用远超传统“惰性填料”范畴。在最佳掺量（21~33%）下，粉煤灰能显著致密化基体并细化纤维-基体界面（ITZ）。这揭示了矿物掺合料与纤维体系在强度演化中存在的非线性耦合效应，强调了在配合比设计中必须从“独立参数选择”转向“整体协同优化”，以最大化材料的堆积密度与界面粘结效率。

表1 第一阶段试验的参数和测试结果

表2 第二阶段试验的参数和测试结果

2. 微观结构表征与失效机理揭示

本研究采用扫描电子显微镜（SEM）与X射线计算机断层扫描（X-CT）技术，对UHPC-CA进行了多尺度的微观结构表征。界面微观形貌的SEM图像（图1）清晰呈现了粗骨料、钢纤维、聚丙烯纤维及复合纤维与基体间的界面过渡区（ITZ）特征，深入解析了纤维-基体的脱粘与拔出行为，证实了不同纤维与基体的粘结差异。X-CT三维空间分布（图2）获取了钢纤维空间分布与取向，直观揭示了失效过程中的内部损伤演化。由此可知，材料韧性的显著提升归因于致密的ITZ结构与多尺度裂缝桥接网络的协同作用，混杂纤维体系成功将材料的失效模式从单一的脆性断裂转变为受控的韧性断裂，这一微观机制为力学测试中呈现的多缝开裂行为提供了坚实的物理证据。

(a)	(b)
(c)	(d)
(e)	(f)
(g)	(h)

图1 不同组分与基体之间的界面过渡区（ITZ）的扫描电子显微镜照片：（a, b）粗骨料-基体；（c, d）钢纤维-基体；（e, f）聚丙烯纤维-基体；（g, h）复合纤维-基体。

图2 弯曲试样X-CT图。（a）断裂试件；（b）主裂缝发展；（c）钢纤维分布与断裂。

3. 基于ANN的非线性性能预测与敏感性分析

依托两阶段正交试验方案，本研究构建了包含50组高可信度数据的样本库。模型选取水胶比、粉煤灰掺量、粗骨料掺量、三类纤维（钢/聚丙烯/复合）掺量及养护龄期等7个关键参数作为输入变量，以抗压强度为输出目标。采用多层感知机（MLP）算法，本研究成功建立了人工神经网络（ANN）预测模型。该模型有效解耦并量化了混杂纤维体系中复杂的非线性协同效应，展现出卓越的预测能力：决定系数R2高达 0.9703，均方根误差 RMSE 仅为 2.11 MPa（见表3）。进一步的敏感性分析（图3）揭示了材料性能的主控因素，明确指出纤维体积掺量与粉煤灰掺量是影响该测试范围内力学性能的最关键变量。

表3 性能指标

(a)	(b)

图3 基于SHAP的输入特征全局解释，(a) SHAP值分布图，显示变量贡献度及影响方向；(b) SHAP均值绝对值，反映各变量的相对重要性。

研究总结

本研究创新构建了“实验-表征-智能建模”一体化框架，旨在解决粗骨料UHPC（UHPC-CA）兼顾低成本与高强韧性的难题。研究发现，新型钢-复合纤维混杂体系相比传统方案实现了性能提升，抗压与抗折强度分别提升12.4%和14%，破解了成本与韧性的矛盾。同时，明确了粉煤灰（最佳掺量21-33%）不仅是填充料，更是改善纤维-基体界面的关键，需与纤维体系进行协同优化。微观层面，结合SEM与X-CT技术，精准定位了致密界面过渡区（ITZ）与多尺度裂缝桥连网络，从物理层面揭示了材料由脆性断裂向受控韧性破坏转变的内在机制。此外，开发的人工神经网络（ANN）模型能有效捕捉多参数间的非线性耦合效应，抗压强度预测精度高达R2 =0.9703，为UHPC-CA的配合比设计与性能预测提供了数据驱动工具。

Materials 期刊介绍

主编：Maryam Tabrizian, McGill University, Canada; Prof. Dr. Yuguang Ma, South China University of Technology, China

主要关注材料科学与工程研究相关各个领域的最新研究成果，包括但不限于高分子、纳米材料、能源材料、复合材料、碳材料、多孔材料、生物材料、建筑材料、陶瓷、金属等，以及材料物理化学、催化、腐蚀、光电应用、结构分析和表征、建模等。

*JCR Q2 at “PHYSICS, APPLIED” and “METALLURGY & METALLURGICAL ENGINEERING” Categories

*Scopus Q1 at “Condensed Matter Physics” Category