Low-carbon and low-cost optimization framework of concrete under chloride environments with text-enhanced deep learning

Unofficial AI-generated summary based on the public title and abstract. Not an official translation.

🔬研究者:Provides a novel AI-driven optimization framework for low-carbon concrete that treats performance as constraints, offering a methodological advancement.

🏢実務担当者:Use the framework to optimize concrete mixes for cost and carbon savings while meeting durability standards; the AI models can be adapted to local materials.

🏛政策担当者:The 17-20% emissions reductions demonstrate actionable pathways for construction sector decarbonization, supporting regulatory targets.

抄録 既存の低炭素コンクリート最適化アプローチは、通常、圧縮強度や耐久性などの性能指標を最適化目的として扱う。しかし、工学実務において、これらの指標は設計規準の仕様と供用期間要件を満たすことのみが要求され、継続的に向上させることは要求されない。本研究は、塩化物環境下のコンクリートに対する多目的最適化フレームワークを提案するものであり、圧縮強度と塩化物拡散係数は最適化目的ではなく制約条件として扱われ、炭素排出量とコストが主要目的として最小化される。このフレームワークでは、コンクリートの圧縮強度を予測するために深層ニューラルネットワーク（DNN）が採用された。コンクリート中の塩化物拡散に影響を与える要因の複雑さ、すなわち定量化が困難でしばしばテキスト形式で記述される材料特性や環境条件を考慮し、本研究は塩化物拡散係数を正確に予測するためのテキスト拡張深層学習モデルを開発した。結果は、両モデルが入力変数と圧縮強度/塩化物拡散係数の間の非線形関係を効果的に捕捉できることを実証している。続いて、制約処理付き非優占ソート遺伝的アルゴリズムII（NSGA-II）と理想解への類似性による順位付け技法（TOPSIS）が最適解を得るために採用された。低炭素原料を用いたコンクリートの最適化結果は、炭素排出量で20.35%、コストで12.18%の削減が達成可能であることを示している。港珠澳大橋の橋脚コンクリートに基づくベンチマークケースでは、最適化されたコンクリート配合は炭素排出量とコストをそれぞれ17.34%と3.00%削減できる。

AI 翻訳（deepseek-v4-flash）。 正確を期す場合は下の原文を参照してください。

ABSTRACT Existing low-carbon concrete optimization approaches typically treat performance indicators such as compressive strength and durability as optimization objectives. However, in engineering practice, these indicators are required only to meet design code specifications and service-life requirements rather than to be continuously improved. This study proposes a multi-objective optimization framework for concrete under chloride environments, in which compressive strength and chloride diffusivity are treated as constraints rather than optimization objectives, while carbon emissions and cost are minimized as the primary objectives. In this framework, deep neural network (DNN) was employed to predict the compressive strength of concrete. Given the complexity of factors influencing chloride diffusion in concrete, including material properties and environmental conditions that are difficult to quantify and often described in textual form, this study developed a text-enhanced deep learning model to accurately predict the chloride diffusivity. The results demonstrate that both models can effectively capture the nonlinear relationships between the input variables and compressive strength/chloride diffusivity. Subsequently, the constraint-handled non-dominated sorting genetic algorithm II (NSGA-II) and technique for order preference by similarity to ideal solution (TOPSIS) were adopted to obtain the optimal solution. The optimization results of the concrete with low-carbon raw materials indicate that reductions of 20.35% in carbon emissions and 12.18% in cost can be achieved. In the benchmark case based on pier concrete from the Hong Kong-Zhuhai-Macao Bridge, the optimized concrete mix can reduce carbon emissions and cost by 17.34% and 3.00%, respectively.

• openalex https://doi.org/10.1016/j.cscm.2026.e06268first seen 2026-06-25 04:45:37