Nanoscale graphene has demonstrated effectiveness in self-sensing cement composites and energy harvesting in buildings. However, the widespread application of graphene reinforced cement composites (GRCCs) in energy conversion is hindered by their low thermoelectric conversion efficiency. To address this limitation, multiphase cement composites with high Seebeck coefficient and low thermal conductivity are designed by using Cu2Se and ZnO. The increase in carrier mobility and enhanced phonon scattering lead to an order of magnitude improvement in the figure of merit (ZT) compared to GRCCs without incorporating Cu2Se/ZnO. A hybrid micromechanical model (HMM) based on effective medium theory and the Mori–Tanaka method is developed for predicting the electrical and thermal conductivity of the multiphase cement composites, which can be used to evaluate the thermoelectric performances of the composites. The combined experiments and modeling aim to provide guidelines for developing high-performance GRCCs with improved thermoelectric properties, potentially expanding their application in energy conversion technologies.

The prediction of electrical resistivity of graphene oxide (GO) reinforced cement composites (GORCCs) is essential to promote the application of the composites in civil engineering. Traditional experiments find it challenging to capture the effect of various features on the electrical resistivity of the GORCCs. In this work, machine learning (ML) techniques are employed to explore the complex nonlinear relationships between different influencing factors and the electrical resistivity of the GORCCs. A total of 171 datasets are utilized for training and testing the ML models. It is demonstrated that the applied ML models are effective and efficient. Apart from the water/cement ratio, correlation analysis shows that the electrical resistivity of the GORCCs is highly dependent on the specimen size and measurement method. Feature importance analysis shows that the dispersion of GO has a significant influence on the electrical resistivity. The extreme gradient boosting (XGB) model and the artificial neural network (ANN) model with 3 hidden layers are proven to have better predictions, as evidenced by higher R2 and lower root mean square error (RMSE). This work is envisioned to provide an effective and efficient way to identify the complex relationship between the material properties of the GORCCs and the various influencing factors.

Graphene reinforced cement composites (GRCCs) have attracted great attention due to their excellent mechanical and physical properties. Instead of uniform distribution, the functionally graded distribution of graphene fillers can effectively utilize the mechanical and physical properties of the reinforcements while reducing cost. This paper is the first attempt to combine experimental analysis and theoretical modelling to investigate the thermomechanical properties of functionally graded graphene nanoplatelet (GNP) reinforced cement composites (FG-GNPRCCs). Samples with uniform (profile H) and functionally graded (profiles X, O and A) distribution of GNPs were prepared and tested. Among all the FG distribution patterns as involved, profile X exhibited the most pronounced enhancement. Compared to the uniform distribution at room temperature, the loss factor and storage modulus of profile X increased by 19.3% and 19.5%, respectively. Based on the effective medium theory (EMT) and Mori-Tanaka (MT) model, a parallel triple-inclusion model was developed to predict the thermal conductivity of GNPRCCs. The effects of coated GNP, agglomeration and the attributes of pores (i.e., size, shape and porosity) on the thermomechanical properties of the composites were considered. Dynamic mechanical analysis revealed that profile X had the best energy dissipation and the extent of inelastic deformation within the temperature range from -50 °C to 70 °C. In contrast, profile A is beneficial for scenarios that desire a gradual transition and controlled stress along a certain direction.