Huaxing Gao, Lang Jin, Yuxuan Chen, Qian Chen, Xiaopeng Liu, Qingliang Yu

Rheological behavior of 3D printed concrete: Influential factors and printability prediction scheme,

Journal of Building Engineering,Volume 91, 2024,109626

流变特性在决定基于挤压的3D混凝土打印的可打印性方面起着至关重要的作用。本研究开发数据驱动的机器学习（ML）模型，以基于成分和时间来预测3D可打印水泥基复合材料的两个关键流变参数——塑性粘度（PV）和屈服应力（YS）。通过改变水泥、粉煤灰、硅灰、硫铝酸盐水泥、高效减水剂和水胶比的含量以及时间，进行了系统试验研究。测量的流变数据用于构建数据库，用于训练预测模型，包括线性回归、支持向量回归、随机森林、极端梯度增强和多层感知器神经网络。极端梯度增强模型实现了最高的预测精度，重要性分析确定了影响流变特性的最具影响力的参数。通过定义PV和YS的可打印区域，利用模型预测提出了可打印性分类框架。该数据驱动框架经过验证，可以有效预测混凝土的可打印性，避免需反复试验。这项研究证明了ML模型在加速3D可打印胶凝材料的设计和优化方面的潜力。