Ein hybrider maschineller Lernansatz zur Vorhersage der Biegezugfestigkeit von mit Abfall-Aluminiumfasern bewehrtem Beton

Aus Schrottmetall wird stärkerer Beton

Jährlich fallen in Industrie und Haushalten Berge von Aluminiumabfällen an — von Dosen über Drähte bis zu Zerspanungsresten. Ein Großteil dieses Abfalls ist schwer sicher zu entsorgen, obwohl Aluminium leicht, fest und langlebig ist. Diese Studie behandelt eine einfache Frage mit großen Folgen: Können wir diesen lästigen Schrott zu feinen Fasern verarbeiten, die Beton sowohl umweltfreundlicher machen als auch seine Widerstandsfähigkeit gegen Biegung und Rissbildung erhöhen, und mithilfe intelligenter Computermodelle vorhersagen, wie stark das neue Material sein wird?

Warum Biegezugfestigkeit wichtig ist

Beton ist sehr drucktragfähig, doch unter Biegung ist er deutlich schwächer. Straßen, Böden, Brückendecken und Start- und Landebahnen versagen häufig zuerst durch Biegung und Rissbildung statt durch reines Zerdrücken. Das Einbringen von Fasern ist eine Möglichkeit, dem Beton beim ersten Aufreißen Halt zu geben und seine Duktilität zu verbessern. Die Forschenden in dieser Arbeit konzentrierten sich auf Aluminiumfasern aus gebrauchten Getränkedosen und anderen Abfällen. Sie mischten diese Fasern in unterschiedlichen Anteilen zwischen 1 % und 5 % des Volumens in den Beton und prüften, wie gut kleine Träger Biegebeanspruchung widerstanden. Sie stellten einen klaren Sweet Spot fest: Bei etwa 3 % Faseranteil trugen die Proben die höchsten Biegekräfte und zeigten engere, besser kontrollierte Rissverläufe; darüber hinaus führten zusätzliche Fasern durch Verklumpen und reduzierte Verarbeitbarkeit der Frischbetonmischung zu Leistungseinbußen.

Eine intelligentere Methode zur Vorhersage der Festigkeit entwickeln

Beton mit Abfallfasern zu entwerfen ist nicht allein eine Frage des Abschätzens eines Faseranteils. Viele Komponenten — Zement, Wasser, Sand, Kies, Zusatzstoffe, Aushärtezeit und Faseranteil — interagieren komplex. Um über Trial-and-Error hinauszukommen, stellten die Forschenden einen Datensatz aus 195 Versuchsergebnissen zusammen, aus eigenen Experimenten und früheren Studien, die Aluminiumabfallfasern verwendeten. Anschließend trainierten sie drei verschiedene Typen maschineller Lernmodelle, um die Biegezugfestigkeit aus acht grundlegenden Misch- und Aushärtevariablen vorherzusagen: einen Random Forest (viele Entscheidungsbäume gemittelt), ein Extreme Gradient Boosting-Modell und ein künstliches neuronales Netz, inspiriert von Verbindungsstrukturen im Gehirn. Jedes Modell erfasst unterschiedliche Muster in den Daten besonders gut.

Modelle kombinieren und die Blackbox öffnen

Anstatt ein einzelnes "bestes" Modell zu wählen, stapelten die Forschenden die Modelle. In diesem hybriden Ansatz treffen die drei Modelle jeweils eine eigene Vorhersage, und eine abschließende Kombinationsebene lernt, wie sie diese gewichtet, um das genaueste Ergebnis zu erzielen. Dieses gestapelte System sagte die Biegezugfestigkeit mit sehr hoher Genauigkeit voraus: Es erklärte mehr als 99 % der Variation in den Trainingsdaten und etwa 96 % in neuen, zuvor ungesehenen Tests. Um sicherzustellen, dass das System nicht nur eine undurchsichtige Blackbox ist, verwendeten sie ein Erklärungswerkzeug namens SHAP. Diese Methode schreibt jedem Input — etwa dem Aushärtealter oder dem Kiesanteil — einen Anteil der Verantwortung für die vorhergesagte Festigkeit zu. Die Analyse zeigte, dass insbesondere das Aushärtealter und die Gesteinskörnungen wichtig sind, während der Aluminiumfaseranteil zwar vorteilhaft ist, insgesamt aber eine kleinere Rolle spielt als das feste Gerüst aus Sand und Kies, das die Lasten im Beton trägt.

Was im Zuschlagstoffmix am wichtigsten ist

Bei genauerer Betrachtung der Erklärungsresultate zeigte die Studie, dass längere Aushärtezeiten die Biegezugfestigkeit beständig erhöhten und damit den Wert einer langsamen, feuchten Nachbehandlung für praktische Anwendungen bestätigten. Grobe und feine Gesteinskörnungen erwiesen sich gemeinsam als Schlüsselfaktoren: Ihre Mengen und das Größenverhältnis steuern, wie Risse unter Biegung entstehen und sich ausbreiten. Wasser und Zement wirkten differenzierter — zu viel Wasser schwächt die Bindung zwischen Bindemittel und Gestein, während zu viel Zement das Material spröde machen kann. Abfall-Aluminiumfasern halfen, indem sie Risse überbrückten und die Zugfähigkeit verbesserten, jedoch nur bis etwa 3 % Volumen; darüber wurde die Mischung schwerer zu verarbeiten und weniger homogen, sodass der Nutzen zusätzlicher Fasern wieder aufgehoben wurde. Die Modellauswertung mündete in praxisnahe Empfehlungen für Bereiche von Zuschlagstoffen, Zement, Wasser und Fasergehalt, die Ingenieure bei der Bemessung von Mischungen anstreben können.

Vom Laborwissen zu nachhaltigeren Bauwerken

Für eine allgemeine Leserschaft lautet die Kernaussage klar: Es ist möglich, ausrangiertes Aluminium in eine nützliche Zutat zu verwandeln, die Beton gegen Biegung widerstandsfähiger macht, zugleich Abfall vom Deponieren abhält und den Bedarf an neuen Stahlfasern reduziert. Durch die Kombination sorgfältiger Experimente mit einem transparenten, multimodalen Lernsystem schufen die Forschenden eine Art "Rechner", der vorhersagen kann, wie stark eine gegebene Abfallfaser-Betonmischung sein wird — und erklären kann, warum. Ihre Ergebnisse deuten darauf hin, dass eine gut abgestimmte Mischung mit etwa 3 % Aluminiumabfallfasern die Biegezugfestigkeit verbessern, Materialkosten senken und die Umweltbilanz verbessern kann. Bei Skalierung und Ergänzung durch weitere Daten könnte dieser Ansatz Ingenieuren helfen, Industrieabfälle sicher im Baualltag zu nutzen und so Brücken, Fahrbahnen und Böden sowohl stabiler als auch nachhaltiger zu machen.

Zitation: Boursas, F., Boufarh, R., Altowaijri, Y. et al. A hybrid machine learning approach for predicting the flexural strength of concrete reinforced with waste aluminium fibres. Sci Rep 16, 10763 (2026). https://doi.org/10.1038/s41598-026-41961-x

Schlüsselwörter: Abfall-Aluminiumfasern, Biegezugfestigkeit, nachhaltiger Beton, Modelle des maschinellen Lernens, recycelte Baustoffe