Modellierung mechanischer Eigenschaften von gummiertem Beton mittels Gene Expression Programming (GEP) und Random Forest: eine Vergleichsstudie

Alte Reifen in stärkere, umweltfreundlichere Gebäude verwandeln

Jedes Jahr erreichen Milliarden Reifen das Ende ihrer Lebensdauer und landen häufig auf Mülldeponien oder in illegalen Ablagerungen, wo sie Brand- und Umweltgefahren darstellen. Gleichzeitig verbraucht die Bauindustrie enorme Mengen Sand, Kies und Energie und trägt stark zum Klimawandel bei. Diese Studie untersucht einen Weg, beide Probleme gleichzeitig anzugehen: Altreifen werden zerkleinert und der Gummi im Beton verwendet, und mithilfe fortschrittlicher Computerwerkzeuge wird vorhergesagt, wie stark dieser neue „gummierte“ Beton ist, ohne endlose Labortests durchführen zu müssen.

Warum Gummi in Beton mischen?

Beton ist das Rückgrat moderner Infrastruktur, doch die Herstellung seiner Bestandteile, besonders von Zement und natürlichen Zuschlagstoffen, ist energieintensiv und erschöpft natürliche Ressourcen. Durch den Ersatz eines Teils von Sand und Kies durch Bestandteile aus Altreifen können Ingenieure den Bedarf an Primärmaterialien reduzieren und Reifenabfälle von Deponien fernhalten. Gummipartikel können dem Beton außerdem nützliche Eigenschaften verleihen: Sie können Stöße absorbieren, Lärm dämpfen und die Beständigkeit gegen Abrieb und Temperaturschwankungen verbessern. Allerdings schwächt das Zufügen von Gummi in der Regel die Zug- und Bruchfestigkeit des Betons. Exakt zu messen, wie viel Festigkeit bei jeder Rezepturänderung verloren oder gewonnen wird, erfordert traditionell viele zeitaufwändige und teure Experimente.

Computer aus früheren Experimenten lernen lassen

Um nicht jede mögliche Mischung manuell testen zu müssen, griffen die Forschenden auf maschinelles Lernen zurück—Computermethoden, die Muster in Daten finden. Sie sammelten 112 Datensätze experimenteller Ergebnisse aus Studien weltweit, alle zum Thema gummierter Beton. Jeder Datenpunkt beschrieb eine einzigartige Rezeptur, einschließlich Mengen an groben und feinen Zuschlagstoffen, Stück- und Feinreifen-Gummi, chemischen Zusatzmitteln (Superplastifizierer), dem Wasser-Zement-Verhältnis und dem Alter des Betons. Für jede Rezeptur wurden zwei Schlüsselfunktionen erfasst: Biegezugfestigkeit (wie gut ein Balken dem Biegen widersteht) und Spaltzugfestigkeit (wie gut er dem Auseinanderziehen widersteht). Mit dieser kombinierten Datenbank trainierte das Team zwei verschiedene Maschinenlernmodelle nebeneinander, um zu prüfen, welches die Stärken am besten vorhersagen konnte.

Zwei verschiedene Arten, wie ein Computer „denkt“

Die erste Methode, Gene Expression Programming, funktioniert etwas wie die Evolution in der Natur. Sie beginnt mit vielen zufälligen mathematischen Formeln und verbessert diese schrittweise durch Vorgänge, die Mutation und Rekombination nachahmen, bis schließlich menschenlesbare Gleichungen entstehen, die Zutaten der Mischung mit der Festigkeit verknüpfen. Die zweite Methode, Random Forest, baut eine große Ansammlung von Entscheidungsbäumen—einfache regelbasierte Modelle—auf und lässt diese über die vorhergesagte Festigkeit „abstimmen“. Während Random Forest eher einer Blackbox ähnelt, ist es oft sehr genau. Beide Modelle wurden sorgfältig abgestimmt und mit standardisierten Statistiken bewertet, die vorhergesagte Festigkeiten mit im Labor gemessenen Werten für Mischungen vergleichen, die die Modelle zuvor nicht gesehen hatten.

Was die Modelle über Gummibeton gelernt haben

Beide Ansätze erfassten das generelle Verhalten von gummiertem Beton, doch Random Forest war genauer. Für nicht gesehene Testdaten reproduzierte es Biege- und Zugfestigkeiten mit Korrelationswerten nahe perfekter Übereinstimmung und deutlich besser als Gene Expression Programming. Fehleranalysen zeigten, dass die meisten Vorhersagen innerhalb einer moderaten Spanne der realen Werte lagen, mit nur wenigen Ausreißern. Um die Blackbox zu öffnen, nutzte das Team ein Werkzeug namens SHAP, das jedem Inhaltsstoff einen Anteil an der Verantwortung für jede Vorhersage zuweist. Das zeigte, dass traditionelle Zuschlagstoffe und das Wasser-Zement-Verhältnis die Biegefestigkeit stark beeinflussen, während Menge und Art des Gummis zusammen mit Superplastifizierer und Wassergehalt Schlüsselrollen bei der Spaltzugfestigkeit spielen. Allgemein führten mehr Gummi und mehr Wasser tendenziell zu Festigkeitsminderungen, während ausgewogene Zuschlagstoffe und Zusatzmittel einige Leistungseinbußen ausgleichen konnten.

Was das für die zukünftige Baupraxis bedeutet

Für Nicht-Fachleute lautet die wichtigste Erkenntnis, dass wir realistischere, umweltfreundlichere Betone entwerfen können, die alte Reifen recyceln, ohne im Dunkeln zu tappen. Die Studie zeigt, dass intelligente Computermodelle, insbesondere Random Forests, zuverlässig vorhersagen können, wie Änderungen an einer Rezeptur für gummierten Beton dessen Riss- und Biegeverhalten beeinflussen, und zwar anhand nur weniger leicht messbarer Eingangsgrößen. Das bedeutet, dass Ingenieure teure Trial-and-Error-Tests reduzieren, die Einführung von abfallbasierten Materialien beschleunigen und Mischungen sicherer und langlebiger spezifizieren können. Langfristig könnten solche Werkzeuge dabei helfen, Berge von Altreifen in sichere Brücken, Fahrbahnen und Gebäude zu verwandeln und sowohl Müllberge als auch den CO2-Fußabdruck der Bauindustrie zu verkleinern.

Zitation: Sheraz, M., Talha, M., Alam, M. et al. Modeling mechanical properties of rubberized concrete using gene expression programming (GEP) and random forest: a comparative study. Sci Rep 16, 8714 (2026). https://doi.org/10.1038/s41598-026-40897-6

Schlüsselwörter: gummierter Beton, Recycling von Altreifen, Maschinelles Lernen im Bauwesen, Random-Forest-Modellierung, nachhaltige Materialien