【论文题目】
[1] Issues of standardizing CSH molecular models: random defect distribution and its effects on material performance. Construction and Building Materials, 2025, 470: 140527.
[2] A high-efficiency neuroevolution potential for tobermorite and calcium silicate hydrate systems with ab initio accuracy. Cement and Concrete Research, 2026, 200: 108091.
【研究单位】
山东农业大学水利土木工程学院
【课题来源】
山东省自然科学基金
【成果说明】
水化硅酸钙（C-S-H）是水泥水化的主要产物，其纳米尺度结构与物理机制是揭示水泥基材料性能本质的关键。针对C-S-H原子尺度模拟中随机缺陷模型难以标准化构建、传统势函数精度与效率难兼顾等问题，尹航课题组开展了系统研究。
在模型构建方面，开发CSHModeling程序，以11 Å Tobermorite为基础结构，依据实验NMR确定的不同Ca/Si下Q1、Q2等硅氧四面体比例，随机删除硅原子构造缺陷，并通过非桥接氧或Ca2+/OH-调整实现电荷平衡，可自动生成满足目标Ca/Si和Qn分布的C-S-H模型。进一步针对Ca/Si=1.7构建10组随机缺陷模型，比较缺陷分布对弹性、拉伸、剪切及界面吸附和传输行为的影响，发现缺陷随机性对弹性性质影响有限，但对大变形、吸附和传输行为影响显著，表明C-S-H模拟应采用多构型统计以提高结果代表性。
在势函数方面，构建NEP-ZBL机器学习势，以神经演化势描述复杂多体相互作用，并引入ZBL短程排斥项，提高极端构型下的稳定性。通过AIMD采样、NEP-MD探索和最远点采样主动学习，建立覆盖不同Tobermorite结构、随机缺陷C-S-H及水体系的训练数据，实现较高数据效率、预测精度和计算效率。在此基础上，进一步构建20×10×10 nm3、约11.5万个原子的C-S-H大尺度模型，验证NEP对局域结构、力学及热输运性质的适用性。上述工作形成了从随机缺陷模型程序化构建到高效机器学习势函数开发，再到十万原子级大尺度模拟的完整计算体系，为C-S-H多构型统计模拟及水泥基材料多尺度研究提供了可扩展的计算工具。
图1 CSHModeling程序化建模流程图
图2 C-S-H 机器学习势函数训练流程示意图
图3 NEP与其他势函数的计算效率对比
【超算平台使用情况】
论文研究内容主要涉及分子动力学、第一性原理计算和势函数深度学习训练，需要大量CPU与GPU计算资源。分子动力学涵盖C-S-H多组随机缺陷模型，且需多次重复计算消除偶发因素对模拟结果的影响；第一性原理计算自身消耗计算资源较多，用于势函数的构型采样和单点能量计算数量庞大；机器学习势函数训练和大规模分子动力学模拟需要使用GPU资源。上述计算需要借助超算平台的CPU并行能力和GPU资源，为论文的核心计算工作提供便利条件。