Physikgeleiteter Machine-Learning-Rahmen für RCA-Beton durch experimentelle Datenbank, Modellierung und statistische Validierung

Alten Beton in eine neue Ressource verwandeln

Jedes Jahr werden Milliarden Tonnen zerbrochenen Betons aus abgerissenen Gebäuden und Straßen als Abfall behandelt, obwohl ein Großteil wiederverwendet werden könnte. Diese Studie untersucht, wie man diesen Schutt mithilfe sorgfältiger Laborprüfungen und moderner Machine-Learning-Methoden in zuverlässigen neuen Beton verwandeln kann. Ziel ist es, das Bauen nachhaltiger zu machen, ohne die Sicherheit zu opfern, indem genau ermittelt wird, wie viel recyceltes Material unter welchen Bedingungen eingesetzt werden kann.

Warum die Wiederverwendung von Beton nicht trivial ist

Recyceltes Betonagglomerat entsteht durch das Zerkleinern von altem Beton zu kleineren Körnern, die Kies und Sand ersetzen können, die sonst neu abgebaut würden. Deren Verwendung reduziert Abfall, Steinbruchbetrieb und Transportemissionen. Diese recycelten Partikel tragen jedoch noch Reste alter Mörtel und feine Risse, wodurch sie poröser und weniger homogen sind als Naturgestein. Folglich kann Beton mit recyceltem Zuschlag an Festigkeit verlieren und schwerer vorhersehbar werden. Ingenieure benötigen klare, verlässliche Regeln darüber, wie unterschiedliche Anteile, Korngrößen und Qualitäten des recycelten Zuschlags die Festigkeit des neuen Betons beeinflussen.

Ein reiches experimentelles Bild aufbauen

Um diese Fragen zu beantworten, führten die Forschenden eine umfassende Reihe von Betonzusammenstellungen mit recyceltem Material aus sechs verschiedenen Ursprungsklassen hinsichtlich Festigkeit durch, von sehr schwach bis zu hochfestem Strukturbeton. Sie teilten die recycelten Zuschläge in drei Korngrößen—fein, mittel und kiesgroß—und setzten sie ein, um 10 % bis 50 % des Naturzuschlags zu ersetzen, wobei Wasser- und Zementbedingungen konstant gehalten wurden. Für jede Mischung maßen sie die Druckfestigkeit (wie viel Druck sie aushält), die spaltzugfestigkeit (Verhalten unter Zug) und die Biegefestigkeit (wie sie sich beim Biegen verhält). In allen Tests nahm die Festigkeit mit steigendem Anteil an recyceltem Zuschlag konsistent ab, doch das Ausmaß des Rückgangs hing stark von Korngröße und der Qualität des Ausgangsbetons ab. Feine recycelte Partikel mit mehr anhaftendem altem Mörtel und Poren schadeten der Festigkeit am meisten, während grobe und kiesförmige Partikel weniger schädlich waren.

Sichere Grenzen und wichtige Einflüsse finden

Die experimentellen Ergebnisse zeigten nützliche Konstruktionsregeln, die praktische Anwendungen leiten können. Wenn das recycelte Material aus geringfestem Ausgangsbeton stammte, führte ein Ersatz von 30 % des Naturzuschlags zu zweistelligen Prozentverlusten sowohl bei Druck- als auch bei Zugfestigkeit, besonders bei Verwendung feiner Partikel. Dagegen waren bei recyceltem Zuschlag aus hochfestem Beton die Festigkeitsverluste bei 30 % Ersatz gering, und die Gesamtleistung blieb für strukturelle Anwendungen akzeptabel. In vielen Serien trat ein konsistenter „Kipp-Punkt“ auf: Mischungen mit 10 % oder 20 % recyceltem Zuschlag behielten im Allgemeinen gute Festigkeit, während ein Überschreiten von etwa 30 % einen spürbaren Abfall brachte, insbesondere bei schlechteren Ausgangsmaterialien und feineren Fraktionen. Diese Muster stimmen mit früheren Studien überein und zeigen, dass nicht alle recycelten Zuschläge gleich sind—Qualität und Korngröße sind entscheidend.

Maschinen beibringen, die Physik zu respektieren

Da endlose Laborversuche unpraktisch sind, wandte sich das Team dem Machine Learning zu, um die Festigkeit für neue Kombinationen vorherzusagen, die nicht physisch getestet wurden. Anstatt dem Computer nur rohe Daten zu geben, führten sie einen sogenannten physikgeleiteten Rahmen ein. Zuerst bereinigten und organisierten sie die Testergebnisse sorgfältig und erzeugten dann zusätzliche „synthetische“ Datenpunkte, indem sie Mischparameter und Festigkeitswerte innerhalb enger, realistischer Grenzen leicht variierten, die die übliche Laborvariabilität widerspiegeln. Anschließend nutzten sie eine fortgeschrittene Oversampling-Methode, um Lücken zwischen getesteten Mischungen zu füllen—aber nur entlang physikalisch sinnvoller Richtungen. Diese angereicherten Datensätze trainierten zwei weit verbreitete Ensemble-Modelle, XGBoost und LightGBM, sowie einfache lineare Surrogatgleichungen, die die dominanten Trends in einer Form zusammenfassen, die Ingenieure leicht nutzen können.

Wie gut die Vorhersagen funktionieren

Nach dem Training wurden die Modelle an völlig ungesehenen Testmischungen geprüft. Ihre Vorhersagen für Druck- und Zugfestigkeit stimmten eng mit den Messungen überein, wobei die Fehler innerhalb des Bereichs blieben, der typischerweise bei wiederholten Labortests beobachtet wird. Die Modelle waren besonders genau bei der Vorhersage der Zugfestigkeit, wo das zugrunde liegende Abbaumuster mit steigendem Anteil an recyceltem Zuschlag glatter und leichter erfassbar ist. Wichtig ist, dass die Autoren überprüften, dass die vorhergesagten Festigkeitsabnahmen bei höherem Recyclatanteil keine statistischen Zufälligkeiten waren: Standardstatistiken zeigten, dass diese Trends sowohl stark als auch hochsignifikant sind. Beim Vergleich von Modellversionen mit und ohne physikgeleitete Datenerweiterung stellten sie fest, dass der geführte Ansatz zwar etwas weniger auffällig hohe Genauigkeitswerte lieferte, aber deutlich stabileres und realistischeres Verhalten zeigte, insbesondere in Regionen mit hohem Ersatzanteil und geringer Datenlage.

Was das für grüneres Bauen bedeutet

Anschaulich zeigt diese Arbeit, dass es möglich ist, Computer Modelle zu nutzen, um umweltfreundlichere Betonzusammensetzungen zu entwerfen, die auf recyceltem Material basieren, ohne die zugrunde liegende Physik außen vor zu lassen. Die Studie bestätigt, dass moderate Anteile hochwertigen recycelten Zuschlags—insbesondere gröbere Partikel aus stärkerem Altbeton—einen signifikanten Anteil des Naturzuschlags sicher ersetzen können. Gleichzeitig demonstriert sie eine Methode, wie Machine Learning in realweltlichem Verhalten verankert bleiben kann, indem bekannte Grenzen und Trends respektiert werden. Solch ein physikbewusstes Vorhersagewerkzeug kann Ingenieuren helfen, bessere und schnellere Entscheidungen zur Mischungsplanung zu treffen, die breitere Anwendung von recyceltem Beton unterstützen und dabei die Sicherheit und Zuverlässigkeit von Bauwerken erhalten.

Zitation: Mohamud, M.A., Alasiri, M.R., Özdöner, N. et al. Physics-guided machine learning framework for RCA concrete by experimental database, modelling, and statistical validation. Sci Rep 16, 7907 (2026). https://doi.org/10.1038/s41598-026-38554-z

Schlüsselwörter: recyclierter Betonagglomerat, nachhaltiges Bauen, Machine Learning in Werkstoffen, Datengetriebene Mischungsplanung, Vorhersage der Betonstruktur