Bewertung der Vorhersagegenauigkeit überwachter Machine‑Learning‑Modelle zur Untersuchung der mechanischen Festigkeit von Beton mit Hochofenschlacken

Warum smarterer Beton wichtig ist

Beton prägt unsere Städte, doch die Herstellung des Zements, der ihn zusammenhält, setzt große Mengen Kohlendioxid frei — etwa 8 % der globalen Emissionen. Eine vielversprechende Möglichkeit, diesen Fußabdruck zu reduzieren, ist der teilweisen Ersatz von herkömmlichem Zement durch industrielle Nebenprodukte wie Hochofenschlacke, ein glasartiges Material aus der Stahlproduktion. Der Haken: die richtige Rezeptur für starken, langlebigen und CO₂‑armen Beton zu finden, erfordert meist monatelange Laborarbeit. Diese Studie zeigt, wie modernes Machine Learning viele dieser Versuchs‑und‑Irrtums‑Arbeiten virtuell übernehmen kann und damit die Entwicklung grünerer Betone beschleunigt.

Ein sauberer Bestandteil aus der Stahlherstellung

Hochofenschlacke entsteht beim Schmelzen von Eisenerz zur Roheisenproduktion. Wenn dieses geschmolzene Nebenprodukt rasch abgekühlt und zu feinem Pulver vermahlen wird, verhält es sich wie ein langsam wirkender Zement. In Beton eingemischt reagiert es mit Verbindungen, die bei der Zementhydratation gebildet werden, und erzeugt zusätzliche Bindungsgelstrukturen, die die inneren Poren verengen. Die Vorteile sind dreifach: Es wird weniger Zement benötigt (was CO₂‑Emissionen reduziert), Angriffe durch Salze und Säuren werden besser abgewehrt und die Festigkeit wächst über längere Zeiträume weiter. Die Leistung hängt jedoch empfindlich davon ab, wie viel Schlacke zugesetzt wird, wie sie mit anderen Komponenten interagiert und wie lange der Beton nachgehärtet wird.

Versprengte Experimente zu einem Datensatz bündeln

Anstatt für jede mögliche Mischung neue Labortests durchzuführen, durchforsteten die Forschenden frühere Studien und offene Datensätze zu schlackehaltigen Betonen. Sie stellten 675 Datensätze zusammen, von denen jeder ein Betonrezept und dessen gemessene Druckfestigkeit (wie viel Druck er aushält, bevor er bricht) beschrieb. Acht zentrale Zutaten und Bedingungen wurden erfasst: Mengen an Zement, Hochofenschlacke, Flugasche, grobem und feinem Zuschlag, Wasser, einem hochwirksamen Wasserreduzierer (Superplastifizierer) sowie das Alter der Nachhärtung in Tagen. Alle Werte wurden überprüft, auf gemeinsame Einheiten standardisiert, offensichtliche Fehler bereinigt und skaliert, damit die Machine‑Learning‑Modelle die Variablen auf gleicher Basis vergleichen konnten.

Maschinen darin schulen, Betonfestigkeit vorherzusagen

Mit dieser Datenbank trainierte das Team sechs verschiedene überwachte Machine‑Learning‑Modelle, um die Druckfestigkeit aus dem Mischungsaufbau vorherzusagen: AdaBoost, einen einzelnen Entscheidungsbaum, Gradient Boosting, k‑Nearest Neighbors sowie zwei fortgeschrittene baumbasierte Methoden namens LightGBM und XGBoost. 80 % der Daten verwendeten sie zum Training und 20 % zum Testen, wie gut jedes Modell mit neuen, unbekannten Rezepten zurechtkommt. Um Überanpassung zu vermeiden — also dass ein Modell nur vergangene Daten auswendig lernt und in der Praxis versagt —, wurden die Modelle systematisch per Grid‑Search und Kreuzvalidierung parametrisiert und anschließend mit gängigen Gütemaßen wie dem Bestimmtheitsmaß (R²) und verschiedenen Fehlerstatistiken bewertet.

Was die Festigkeit in grüneren Mischungen steuert

Die beiden leistungsfähigsten Modelle, LightGBM und XGBoost, reproduzierten die Laborfestigkeiten mit hoher Genauigkeit und erklärten über 94 % der Variation in den Testdaten. Um diese „Black‑Box“-Modelle verständlich zu machen, nutzten die Autorinnen und Autoren SHAP (eine Methode, die jedem Input einen Anteil an der Vorhersage zuweist) und Partial‑Dependence‑Plots, die zeigen, wie sich eine Änderung einer Variablen auf die vorhergesagte Festigkeit auswirkt, während andere Variablen konstant gehalten werden. Diese Werkzeuge zeigten, dass das Alter der Nachhärtung den größten positiven Effekt hat: Längere Nachhärtung bedeutete durchgehend stärkeren Beton. Superplastifizierer und Zementgehalt waren die nächstwichtigsten Einflussgrößen und steigerten die Festigkeit durch bessere Packung und weniger überschüssiges Wasser. Wasser selbst zeigte einen starken negativen Einfluss — zu viel schwächt die Mischung —, während Hochofenschlacke bis zu einem gewissen Punkt half und danach abflachte.

Das optimale Schlackenverhältnis finden

Indem die Forschenden die Modelle über verschiedene Schlackenanteile laufen ließen, identifizierten sie ein günstiges Ersatzfenster: Wenn Hochofenschlacke etwa 30–40 % des gesamten zementären Materials ausmacht, erreichte der Beton tendenziell höhere Druckfestigkeiten, insbesondere bei Nachhärtungszeiten von 28 Tagen und darüber. Erhöht man den Schlackenanteil deutlich, insbesondere über 50 %, verlangsamte das oft das frühe Festigkeitswachstum — ein Faktor, der für Bauabläufe kritisch sein kann. Aus vielen kleinen Studien gewonnene Erkenntnisse wie diese bieten praktische Orientierung: Ingenieure können diesen mittleren Schlackenbereich anpeilen, um Festigkeit, Dauerhaftigkeit und CO₂‑Einsparungen auszubalancieren, ohne für jedes Projekt aufwendige Tests durchführen zu müssen.

Was das für zukünftiges Bauen bedeutet

Für Nicht‑Fachleute lautet die Kernbotschaft einfach: Computer können mittlerweile gut genug aus vergangenen Betonexperimenten lernen, um starke, CO₂‑arme Mischungen vorzuschlagen, bevor eine einzige Charge gegossen wird. In dieser Arbeit erwies sich das LightGBM‑Modell als geringfügig genauer als XGBoost, doch beide waren präzise und interpretierbar genug, um zu zeigen, welche Zutaten am wichtigsten sind und wo Schlacke am besten wirkt. Diese Kombination aus Geschwindigkeit und Transparenz erlaubt es Planenden, Zeit, Kosten und Materialverschwendung zu reduzieren und Industrienebenprodukte besser zu nutzen. Mit wachsender und standardisierterer Datenbasis könnten solche Werkzeuge der Bauindustrie helfen, ihren Klimaeinfluss zu verringern und dabei sichere, langlebige Bauwerke zu liefern.

Zitation: Sobuz, M.H.R., Majumder, S., Afrin, M.S. et al. Evaluating the predictive accuracy of supervised machine learning models to explore the mechanical strength of blast furnace slag incorporated concrete. Sci Rep 16, 6712 (2026). https://doi.org/10.1038/s41598-026-36437-x

Schlüsselwörter: Beton mit Hochofenschlacke, Machine Learning, Druckfestigkeit, nachhaltiges Bauen, Zementersatz