Vorhersage der Druckfestigkeit von karbonatisiertem Beton mit recycelten Zuschlagstoffen mittels regressionsbasierter Machine-Learning-Modelle

Alten Beton in einen Klimapartner verwandeln

Jährlich reißen Städte enorme Mengen Beton ab, schicken gebrochene Brocken auf Deponien und verlangen frisches Gestein aus Steinbrüchen. Diese Studie untersucht einen Weg, diesen Kreislauf zu schließen: Abbruchbeton zerkleinern, ihn zur Bindung von Kohlendioxid nutzen und dann mithilfe moderner Machine-Learning-Werkzeuge vorhersagen, wie belastbar der neue, umweltfreundlichere Beton sein wird. Für alle, die sich für klimafreundliche Städte und einen klügeren Umgang mit Daten interessieren, zeigt diese Arbeit, wie künstliche Intelligenz Ingenieure dabei unterstützen kann, aus den Trümmern von gestern sicherere und nachhaltigere Gebäude zu entwerfen.

Warum die Wiederverwendung von Beton wichtig ist

Beton ist allgegenwärtig – Straßen, Brücken, Hochhäuser – und seine Herstellung verbraucht große Mengen Naturgestein und Energie und stößt erhebliche CO₂-Mengen aus. Recycelte Zuschlagstoffe, hergestellt durch Zerkleinern von Altbeton, können diese Belastung verringern, indem sie Abbau in Steinbrüchen reduzieren und Deponiemengen senken. Ein Haken bleibt jedoch: Diese recycelten Stücke tragen meist noch Zementleimreste auf ihrer Oberfläche, was sie poröser und schwächer als Naturstein macht. Das führt häufig dazu, dass neuer Beton mit recycelten Zuschlagstoffen weniger fest oder langlebig ist – ein ernstes Problem für die strukturelle Sicherheit.

Abfallbeton durch CO₂ stärker machen

Um dieses Problem anzugehen, haben Forscher die Karbonatisierung genutzt, einen Prozess, bei dem CO₂ gezielt zugeführt wird, um mit Verbindungen im alten Zementleim zu reagieren. Im Inneren der recycelten Partikel bildet das Gas feste Minerale, die Poren füllen, Mikro­risse verengen und die Kontaktzonen stärken, die den neuen Beton zusammenhalten. Das verbessert nicht nur die Materialqualität – höhere Dichte und geringere Wasseraufnahme – sondern speichert auch CO₂ im Beton und verwandelt Abfall so effektiv in ein kleines Kohlenstoffsenken. Die Studie konzentrierte sich auf Beton mit diesen karbonatisierten recycelten Zuschlagstoffen und stellte eine zentrale Frage: Lassen sich die Festigkeitseigenschaften dieses grüneren Betons genau vorhersagen, ohne endlose Labortests durchführen zu müssen?

Computern das Vorhersagen von Festigkeit beibringen

Die Autor:innen stellten 108 sorgfältig gemessene Betonproben aus früheren Versuchen zusammen. Für jede Probe dokumentierten sie die Mischungszusammenstellung (z. B. das Wasserzementverhältnis und die Mengen an feinen und groben Zuschlagstoffen), die Qualität der Zuschlagstoffe (Wasseraufnahme und Druckfestigkeit), die Festigkeit des ursprünglichen „Eltern“-Betons, wie viel CO₂ die recycelten Partikel aufgenommen hatten und welchen Anteil Naturgestein die recycelten Materialien ersetzten. Anschließend trainierten sie mehrere regressionsartige Machine-Learning-Modelle – von einfachen linearen Modellen bis zu flexibleren Entscheidungsbäumen und Ensemble-Methoden –, um die Beziehung zwischen diesen Eingangsgrößen und der resultierenden Druckfestigkeit zu erlernen.

Komplexe Mischungen mit schlauen Modellen entwirren

Viele der gemessenen Einflussgrößen standen in starken Wechselbeziehungen, was traditionelle statistische Methoden verwirren kann. Zur Vereinfachung kombinierten die Forschenden Gruppen verwandter Variablen zu zwei zusammengesetzten Indizes: einem, der die Gesamtproportionierung der Mischung beschreibt, und einem, der die Leistung der Zuschlagstoffe zusammenfasst. Sie verglichen dann Modelle, die mit den vollständigen, detaillierten Daten trainiert wurden, mit solchen, die auf diesen kompakten Indizes basierten. Einfache lineare Ansätze lieferten akzeptable Ergebnisse, stießen jedoch an ihre Grenzen bei gekrümmten, verflochtenen Zusammenhängen in den Daten. Demgegenüber erfassten baumbasierte Ensemble-Methoden – Entscheidungsbäume, Random Forests und LightGBM – diese Muster mit bemerkenswerter Präzision, hielten typische Vorhersagefehler bei knapp über 1 Megapascal und erklärten mehr als 99 % der in den Tests beobachteten Varianz.

Was für starken grünen Beton am wichtigsten ist

Um die „Black Box“ der besten Modelle zu öffnen, nutzten die Forschenden SHAP, eine Technik, die zeigt, wie stark jeder Eingangsparameter Vorhersagen typischerweise nach oben oder unten beeinflusst. Sie stellten fest, dass die Proportionierung der Mischung – insbesondere das Verhältnis von Zement, Zuschlagstoffen und Wasser – der dominierende Faktor für die Festigkeit ist. Der Grad der Karbonatisierung der recycelten Zuschlagstoffe spielt ebenfalls eine große, aber nichtlineare Rolle: Mehr CO₂-Behandlung hilft im Allgemeinen, doch ihre Wirkung hängt von der Qualität des ursprünglichen Elternbetons ab. Der kombinierte Indikator für die Leistung der Zuschlagstoffe hat einen moderaten Einfluss, während die bloße Erhöhung des Anteils recycelter Zuschlagstoffe weniger wichtig ist als ein gut abgestimmtes Mischungsdesign und die richtige Behandlung.

Von Labordaten zur praktischen Bemessung

Einfach ausgedrückt zeigt diese Studie, dass karbonatisierter Beton mit recycelten Zuschlagstoffen sowohl klimabewusst als auch fest sein kann – vorausgesetzt, das Rezept wird sorgfältig abgestimmt. Moderne Machine-Learning-Methoden, insbesondere baumbasierte Ensemble-Modelle, können die Festigkeit aus einer handhabbaren Menge an Misch- und Materialparametern genau vorhersagen und so die Notwendigkeit zeitaufwändiger Tests für jede neue Kombination verringern. Für Ingenieur:innen und Planer:innen bedeutet das: Es ist zunehmend realistisch, Strukturen zu entwerfen, die alten Beton wiederverwenden, CO₂ binden und dennoch strenge Sicherheitsanforderungen erfüllen – mit datenbasierten Werkzeugen als Leitfaden.

Zitation: Gebremariam, H.G., Taye, S. & Tarekegn, A.G. Compressive strength prediction of carbonated recycled aggregate concrete using regression based machine learning models. Sci Rep 16, 5825 (2026). https://doi.org/10.1038/s41598-026-36197-8

Schlüsselwörter: recycelter Beton, Karbonatisierung, Machine Learning, Druckfestigkeit, nachhaltiges Bauen