在可持续建筑快速发展的今天，玄武岩纤维因其高强、环保、耐腐蚀等优势，正成为水泥基复合材料中的“新宠”。然而，水泥孔隙溶液中的强碱性环境（pH > 12）会如何影响它的长期性能？不同类型的碱、不同的浓度和时间，又会带来怎样的差异？

这篇来自《Fibers》期刊2025年的研究，系统对比了NaOH、KOH、Ca(OH)₂三种碱性溶液对玄武岩纤维的影响，并结合响应面法（RSM） 与五种机器学习模型，实现了对拉伸性能的精准预测与工艺优化。以下是这篇论文的干货解读。

一、研究背景：碱性环境是玄武岩纤维的“隐形杀手”

玄武岩纤维由天然火山岩熔融拉丝制成，具备良好的力学性能和较低的环境负荷。然而，当它被用于水泥基材料中时，孔隙溶液中的OH⁻离子会攻击纤维的Si-O-Si网络结构，导致纤维降解、强度下降。

过去研究多聚焦于NaOH溶液，对KOH和Ca(OH)₂的研究较少，且缺乏系统性对比。因此，不同碱、不同浓度、不同时间对纤维性能的影响机制仍不清晰。

二、研究目的

本研究旨在：

1. 评估三种碱（NaOH、KOH、Ca(OH)₂）在不同浓度（5、15、30 g/L）和时间（7、14、28天）下对玄武岩纤维的降解行为；

2. 使用响应面法（RSM） 建立拉伸强度的预测模型；

3. 比较五种机器学习模型的预测性能；

4. 提出最优处理条件，提升纤维在碱性环境中的耐久性。

三、研究方法：实验 + RSM + ML

实验设计：

• 材料：玄武岩纤维（原始强度860.11 MPa）

• 处理条件：3种碱 × 3种浓度 × 3种时间 = 27组

• 表征手段：拉伸测试、SEM、DSC、TGA、重量损失

建模方法：

• RSM：建立二次回归模型，分析参数交互作用

• ML模型：TRF、FMP、Lazy IBK、Meta Bagging、FSMOreg

四、研究过程与重要图表分析

1. 原始纤维状态（图6）

📍 原文位置：Page 11, Figure 6

• 表面光滑，无明显缺陷

• 原始拉伸强度：860.11 MPa

2. 重量损失（图7）

📍 原文位置：Page 12, Figure 7a-c

• NaOH：最严重，28天/30g/L下损失达8%

• KOH：损失较小（最大4%）

• Ca(OH)₂：初期损失小，28天后显著增加（7%），表现为延迟降解

解读：NaOH的OH⁻离子更易渗透纤维网络，破坏Si-O-Si结构。

3. 拉伸强度变化（图9）

📍 原文位置：Page 14, Figure 9a-c

• NaOH：持续下降，从995 MPa降至304 MPa

• KOH：波动较大，存在短期“恢复”现象

• Ca(OH)₂：在15g/L/7天时达到最高988 MPa，但随后急剧下降

解读：Ca(OH)₂可能形成临时保护层（如CaSiO₃），但长期仍会降解。

4. 弹性模量变化（图10）

📍 原文位置：Page 15, Figure 10a-c

• NaOH：明显下降

• KOH：随时间和浓度增加，模量有所上升

• Ca(OH)₂：低浓度下稳定，高浓度长期暴露后下降

5. RSM优化结果（图15）

📍 原文位置：Page 22, Figure 15a-d

• 最优条件：Ca(OH)₂，5 g/L，7天

• 最大拉伸强度：938.94 MPa

• 期望值：0.92（最高）

6. 机器学习模型对比（图16）

📍 原文位置：Page 24, Figure 16a-c

模型	相关系数 (CC)	RMSE	表现
FSMOreg	0.928	181.94	最优
FMP	0.845	184.01	良好
Meta Bagging	0.843	220.33	一般
TRF	0.785	183.91	中等
Lazy IBK	0.626	213.82	最差

解读：FSMOreg（基于SVM回归）在处理小样本、非线性问题上具有天然优势，适合材料性能预测。

五、研究重难点

重点：

• 系统对比三种碱对玄武岩纤维的影响

• 建立RSM + ML的联合预测框架

• 提出Ca(OH)₂环境下的“临时保护层”机制

难点：

• 纤维表面微观结构与力学性能之间的机制解释

• 小样本条件下ML模型的泛化能力保障

• 碱类型、浓度、时间的非线性交互作用建模

六、研究结论

1. Ca(OH)₂ 对玄武岩纤维的破坏最小，适合用于水泥基材料；

2. NaOH 破坏最严重，KOH居中；

3. 碱浓度和暴露时间是影响拉伸强度的主要因素；

4. RSM二次模型能有效描述参数交互作用；

5. FSMOreg模型预测精度最高（CC=0.928），适合用于纤维耐久性预测。

七、未来展望

• 延长实验时间（>28天），观察长期降解行为；

• 引入温度、湿度等环境变量；

• 开发更复杂的深度学习模型（如LSTM、GNN）；

• 结合微观力学模拟与多尺度建模，构建更完整的纤维降解预测系统。

写在最后

这项研究不仅为玄武岩纤维在碱性环境中的耐久性评估提供了系统的实验数据，也展示了机器学习在材料科学中的强大潜力。如果你也在从事纤维增强复合材料、碱激发材料或可持续建筑材料的研究，这篇文章的思路和方法值得借鉴。

📌 如需原文或补充材料，可访问：
https://www.mdpi.com/2079-6439/13/10/137

注：更多关于机器学习水泥基的前沿知识小编之前有推荐，可以详查置顶文章：ai-MOFs预测筛选技术与机器学习水泥基复合材料应用综述

如果您觉得文章不错，欢迎点赞、关注、收藏及转发~