徐建華、詹皓宇、張名惠、劉瓊芳、劉子瑜、邱國創 / 工研院材化所
全球傳統水泥生產過程中會消耗大量的能量及排放二氧化碳，因此以混凝土作為建築材料應用，可有效降低能耗及二氧化碳排放的問題。但由於混凝土組成非常複雜，要在28天內達到最佳抗壓強度的配方，仍然具有挑戰性。利用機器學習方法可快速預測混凝土配方的比例，並找出影響特徵因子，將能大幅縮短材料開發的時間。本文介紹目前國際上已應用於混凝土開發的AI技術案例，包含材料物理性質、機械性質及影像辨識等應用。
【內文精選】
混凝土材料科學的發展
如圖二，混凝土材料科學的進展依序可分為實驗科學、理論科學、計算科學及數據驅動(Data Driven)科學四大階段。第一階段「實驗科學」，是透過實驗中學習到的經驗不斷修正實驗設計，以達到目標材料特性的方法，通常混凝土材料開發人員必須進行材料配比設計、不斷試錯實驗及反覆運算實驗配方比例，直至達到較佳的抗壓強度。
近年來隨著科技進步發展，電腦運算性能明顯提升，人工智慧(Artificial Intelligence; AI)及機器學習(Machine Learning; ML)迅速發展，使得數據驅動的材料研發也受到莫大的關注。其可以將實驗過程所有的資訊，轉換成大量的數據，並搭配背景理論科學、產業知識，篩選出數據當中的重要特徵，再以不同演算法來找出材料特徵因子與目標特性之間的關聯，建立模型後即能進行特性預測與配方推薦。以「數據驅動的研發模式」進行材料開發，為混凝土材料科學的第四階段，此方法只需以材料相關數據就能夠協助新材料設計、製程參數優化、配方組合最佳化等。
混凝土應用AI技術之國際研究
混凝土材料的品質鑑定可分為材料物理性質、機械性質及材料缺陷三大類，若以實驗設計法或理論計算方法是相當耗時、耗人力並且計算成本高，另外混凝土缺陷通常由專家判斷會有標準不一、經驗傳承不易等問題。而透過AI輔助品質鑑定能夠有效節省時間與人力，相較於模擬計算的計算成本較低；除此之外，AI影像辨識應用於缺陷判斷也能藉由模型統一判斷標準，傳承判斷經驗。
1. 機器學習應用於預測材料物理性質的方法
Ki-Bong Park團隊開發了針對水泥砂漿力學物理性質的模型，由水泥砂漿水化程度和微觀結構的變化建立動力學模型數學函式，包含水化模型(Hydration Model)、微結構模型(Microstructural Model)、水減模型(Water Reduction Model)，分別以理論計算水化程度、放熱速率、相對濕度及孔隙率相關指標以描述水泥水化過程。接著以人工神經網路(Artificial Neural Network; ANN)模型關聯動力學指標，其中以放熱速率、相對濕度及孔隙率等指標作為模型輸入特徵，以水化程度指標作為模型輸出目標，並以實際水泥實驗數據驗證模型預測結果。
3. 深度學習應用於建築材料非破壞性缺陷檢測
由於電腦運算能力的提升，深度學習應用於電腦視覺(Computer Vision)上已經有許多成功案例。在建材行業中，裂縫檢測對於建築物的結構監測相當重要，像是混凝土牆面、路面及橋面裂縫出現特徵隨機性大，對於傳統的電腦視覺方法而言，這項任務是非常具有挑戰性的，因為裂縫檢測的特徵很容易與背景紋理、異物或結構中的不規則形狀混淆，導致圖像特徵萃取困難、對於裂縫識別準確率較低。與傳統電腦視覺方法相比，在樣本量大的條件下，深度學習在缺陷辨識準確率上具有很大優勢，其中卷積神經網路(CNN)是具有代表性的深度學習演算法，在圖像檢測領域受到廣泛的應用。Sattar Dorafshan團隊使用SDNET2018影像資料庫中的混凝土裂縫影像作為訓練模型的資料，包含橋面、牆面及路面的裂縫/無裂縫影像共超過56,000張(如圖八)，其中50,483張作為訓練集、5,609張作為測試集。此研究所使用的演算法為AlexNet，其中模型的準確率為橋面90%、牆面87%、路面94%，已經大大改善傳統電腦視覺方法辯識率不足的問題，並能有效應用於建築材料非破壞性缺陷檢測。
圖八、SDNET2018圖像，包括(a)細裂紋；(b)粗裂紋；(c)陰影；(d)污漬；(e)粗糙的裂紋表面；(f)雜質及空洞；(g)邊緣裂紋；(h)接縫及表面污垢；(i)背景干擾物
工研院應用AI技術在混凝土材料的研發能量與未來展望
目前工研院材料與化工研究所先進陶瓷與無機半導體材料研究組也已投入混凝土實驗與AI技術在混凝土配方上的研究，如圖九。目前已能夠使用建置之模型建議高抗壓強度的配方，進一步加速混凝土材料的開發速度。除此之外，為了解決不同料源導致無法用相同的模型進行預測方與製程參數最佳化，須耗時、耗力、重新進行試錯試驗以達到製程參數優化---以上為部分節錄資料，完整內容請見下方附檔。
圖九、工研院材化所研發投入的AI應用
★本文節錄自《工業材料雜誌》434期，更多資料請見下方附檔。