論文の概要: Reactivity-Informed Machine Learning for Performance Prediction and Design Space Exploration of Alkali-Activated Slag

• arxiv url: http://arxiv.org/abs/2606.06765v1
• Date: Thu, 04 Jun 2026 23:04:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-08 14:33:29.477708
• Title: Reactivity-Informed Machine Learning for Performance Prediction and Design Space Exploration of Alkali-Activated Slag
• Title（参考訳）: アルカリ活性スラグの性能予測と設計空間探索のための反応性インフォーム機械学習
• Authors: Qiyao He, Zhanzhao Li, Kai Gong,
• Abstract要約: これまでで最大の文献由来のアルカリ活性スラグデータセットをキュレートした。 3100以上の強度記録、155個の化学的に区別された破砕炉スラグと、前駆体化学、微細度、反応性を組み込んだ24の属性を含む。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Establishing quantitative relationships among mix design, raw material properties, curing conditions, and performance remains a long-standing challenge in cementitious materials, particularly for alkali-activated materials with variable precursor and activator chemistry. Here, we curated the largest literature-derived alkali-activated slag (AAS) dataset to date, comprising over 3100 compressive strength records, 155 chemically distinct ground granulated blast-furnace slags (GGBSs), and 24 attributes incorporating precursor chemistry, fineness, and reactivity. Multiple machine learning (ML) algorithms were benchmarked across progressively enriched feature scenarios, demonstrating that integrating GGBS compositions, fineness, curing conditions, and specimen geometry improves predictive performance. The average metal oxide dissociation energy (AMODE), a physically interpretable representation of precursor reactivity, provides a compact alternative descriptor to explicit oxide compositions while enabling comparable predictive performance. Model interpretation revealed physically consistent trends from heterogeneous data, including non-monotonic effects of Na2O dosage and silicate modulus, reduced predicted strength at higher water content and larger specimen size, and coupled oxide-level effects more coherently represented by AMODE than by individual oxide contents. Statistically constrained design space exploration reveals reactivity-dependent trade-offs among strength, embodied CO2 emissions, and cost. The design maps identify high-strength regions with substantially lower CO2 emissions than OPC-based references at similar cost. Overall, this work demonstrates how reactivity-informed ML can extract physically meaningful trends from heterogeneous AAS data and guide source-dependent binder design. The curated dataset is publicly accessible to support advances in cement and concrete research.
• Abstract（参考訳）: 混合設計, 原料特性, 硬化条件, 性能の定量的関係を確立することは, セメント材料, 特に前駆体およびアクチベーター化学のアルカリ活性物質において, 長年の課題である。 文献由来のアルカリ活性スラグ (AAS) データセットは, 圧縮強度記録が3100以上, 化学的に異なるグラウンドグラファイススラグ (GGBS) が155個, 前駆体化学, 微細度, 反応性を取り入れた24個の属性からなる。 複数の機械学習(ML)アルゴリズムを段階的に強化された特徴シナリオにわたってベンチマークし、GGBS合成、微細度、硬化条件、検体形状の統合が予測性能を向上させることを示した。 平均金属酸化物解離エネルギー(AMODE)は、前駆体の反応性を物理的に解釈可能な表現であり、それと同等な予測性能を保ちながら、明示的な酸化物組成に対するコンパクトな代替記述子を提供する。 モデル解析により,Na2O量量およびケイ酸塩の非単調な効果,高水量および試料サイズでの予測強度の低下,および個々の酸化物量よりもAMODEでより密に表現された酸化物レベルの結合効果などの不均一なデータから,物理的一貫した傾向が明らかになった。 統計的に制約された設計空間探索は、強度、具体化されたCO2排出量、コストの間の反応性に依存したトレードオフを明らかにする。 設計図は、同様のコストでOPCベースの基準よりもCO2排出量が著しく低い高強度領域を識別する。 全体として、この研究は、不均一なAASデータからリアクティビティインフォームドMLが物理的に意味のあるトレンドを抽出し、ソース依存バインダー設計をガイドする方法を示す。 キュレートされたデータセットは、セメントおよびコンクリート研究の進歩をサポートするために公開アクセス可能である。

関連論文リスト

• Gaussian Process Regression-based Knowledge Distillation Framework for Simultaneous Prediction of Physical and Mechanical Properties of Epoxy Polymers [0.0]
  熱硬化性エポキシポリマーの物理的および力学的特性を予測するための,ガウスプロセス回帰に基づく知識蒸留(GPR-KD)フレームワークを開発した。 このフレームワークは、GPRの解釈可能性と堅牢性を、ディープラーニングのスケーラビリティと一般化と組み合わせている。
  論文  参考訳（メタデータ） (2026-03-12T12:59:03Z)
• Rep3Net: An Approach Exploiting Multimodal Representation for Molecular Bioactivity Prediction [0.8049701904919515]
  初期の薬物発見では、標的タンパク質に対する分子の生物活性予測が重要な役割を果たす。 本稿では,Rep3Netを提案する。Rep3Netは,記述子データだけでなく,空間情報や関係情報も含む統合型ディープラーニングアーキテクチャである。 本モデルにより,ポリ[ADP-リボース]ポリメラーゼ1データセット上での生物活性予測が得られた。
  論文  参考訳（メタデータ） (2025-11-29T15:39:48Z)
• Enhancing Chemical Reaction and Retrosynthesis Prediction with Large Language Model and Dual-task Learning [8.402406301818905]
  大規模言語モデル(LLM)は、多くの領域において可能性を示している。 ChemDualは正確な化学合成のための新しいフレームワークである。 ChemDualは反応の予測とレトロ合成の両方において最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2025-05-05T13:31:36Z)
• Retrosynthesis prediction enhanced by in-silico reaction data augmentation [66.5643280109899]
  RetroWISEは,実データから推定されるベースモデルを用いて,シリコン内反応の生成と増大を行うフレームワークである。 3つのベンチマークデータセットで、RetroWISEは最先端モデルに対して最高の全体的なパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2024-01-31T07:40:37Z)
• 3DReact: Geometric deep learning for chemical reactions [35.38031930589095]
  反応物質と生成物の3次元構造から反応特性を予測する3DReactについて述べる。 反応特性予測の既存のモデルと比較して、3DReactは原子マッピング情報を利用する柔軟なフレームワークを提供する。 異なるデータセット、原子をマッピングするレシエーション、およびジオメトリと外挿タスクの両方にわたって、体系的にうまく機能する。
  論文  参考訳（メタデータ） (2023-12-13T17:26:54Z)
• Towards out-of-distribution generalizable predictions of chemical kinetics properties [61.15970601264632]
  Out-Of-Distribution (OOD) の運動特性予測は一般化可能である必要がある。 本稿では,OODの運動特性予測を3つのレベル(構造,条件,機構)に分類する。 我々は、OOD設定における反応予測のための最先端MLアプローチと、速度論的特性予測問題における最先端グラフOOD手法をベンチマークするために、包括的なデータセットを作成する。
  論文  参考訳（メタデータ） (2023-10-04T20:36:41Z)
• Multi-Task Mixture Density Graph Neural Networks for Predicting Cu-based Single-Atom Alloy Catalysts for CO2 Reduction Reaction [61.9212585617803]
  グラフニューラルネットワーク(GNN)は、材料科学者からますます注目を集めている。 本研究では,DimeNet++と混合密度ネットワークに基づくマルチタスク(MT)アーキテクチャを構築し,その性能向上を図る。
  論文  参考訳（メタデータ） (2022-09-15T13:52:15Z)
• Improving Molecular Representation Learning with Metric Learning-enhanced Optimal Transport [49.237577649802034]
  分子レグレッション問題に対する一般化能力を高めるために,MROTと呼ばれる新しい最適輸送ベースアルゴリズムを開発した。 MROTは最先端のモデルよりも優れており、新しい物質の発見を加速する有望な可能性を示している。
  論文  参考訳（メタデータ） (2022-02-13T04:56:18Z)
• Unassisted Noise Reduction of Chemical Reaction Data Sets [59.127921057012564]
  本稿では,データセットから化学的に間違ったエントリを除去するための,機械学習に基づく無支援アプローチを提案する。 その結果,クリーン化およびバランスの取れたデータセットでトレーニングしたモデルの予測精度が向上した。
  論文  参考訳（メタデータ） (2021-02-02T09:34:34Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。