Hybrid generatives–Ensemble-Verfahren zur Vorhersage der Festigkeitseigenschaften von Beton mit recyceltem Zuschlag

Warum diese Forschung für unsere gebaute Umwelt wichtig ist

Beton ist in der modernen Welt allgegenwärtig, doch seine Herstellung verbraucht enorme Mengen an Sand, Gestein und Zement und setzt Kohlendioxid frei. Ein vielversprechender Weg, diese Belastung zu verringern, besteht darin, gebrochenen Beton aus alten Bauwerken als neues Baumaterial wiederzuverwenden. Problematisch ist, dass Beton mit recycelten Zuschlagstoffen nicht immer dieselben Eigenschaften zeigt wie Beton aus frischem Gestein. Diese Studie zeigt, wie moderne Datenwerkzeuge Ingenieuren helfen können, die Festigkeit solcher umweltfreundlicherer Mischungen vorherzusagen, bevor ein einziger Prüfkörper gegossen wird.

Schutt als Ressource nutzen

Baustellen und Abbrucharbeiten erzeugen jedes Jahr enorme Mengen an Betonabfall. Anstatt diesen Schutt auf Deponien zu entsorgen, kann er zerkleinert und als Zuschlagstoff wiederverwendet werden – das kiesähnliche Skelett im neuen Beton. Der Ersatz natürlicher Sand- und Gesteinskörnungen durch recycelte Partikel spart knappe natürliche Ressourcen und verringert die ökologische Bilanz von Bauprojekten. Recycelte Partikel tragen jedoch häufig alten Zement auf ihren Oberflächen, weisen mehr Poren auf und bilden schwächere Kontaktzonen im neuen Gemisch. Diese Besonderheiten können die Tragfähigkeit des Betons reduzieren, weshalb Planer bei hohem Rezyklatanteil vorsichtig sind.

Aus vergangenen Mischungen lernen

Um diese Herausforderung anzugehen, sammelten die Forscher Daten zu 112 verschiedenen Betonrezepturen, die sowohl natürliche als auch recycelte Zuschläge verwendeten. Für jede Mischung protokollierten sie die Anteile an Wasser, Zement, Sand, Kies und recyceltem Material sowie vier Schlüsselergebnisse: Druckfestigkeit, Spaltzugfestigkeit, Biegefestigkeit und Steifigkeit. Da 112 Beispiele für das Training leistungsfähiger Datenmodelle nur begrenzt sind, nutzte das Team zunächst ein generatives Werkzeug, einen konditionalen Variational Autoencoder, um tausende zusätzliche synthetische Mischungen zu erzeugen, die die Muster der realen Mischungen nachahmen. Dieser Schritt half den Modellen, eine größere Vielfalt realistischer Kombinationen zu sehen, während gleichzeitig der Bezug zu echten Prüfergebnissen erhalten blieb.

Ein Toolbox-Vergleich von Datenmodellen

Anschließend verglich das Team sieben verschiedene Verfahren des maschinellen Lernens zur Vorhersage jeder der vier Festigkeitseigenschaften aus den Mischungszutaten. Einige waren einfache lineare Modelle, die Geradlinigkeitsannahmen treffen, andere flexiblere baumbasierte Methoden und Support-Vektor-Maschinen, die Wendungen und Nichtlinearitäten erfassen können. Sie trainierten und prüften diese Modelle mit sorgfältiger Kreuzvalidierung, sodass jede Bewertung auf Daten basierte, die das Modell zuvor nicht gesehen hatte, und hielten eine separate versteckte Testmenge realer Mischungen für die Endbewertung zurück. Gradient Boosting und Support Vector Regression hoben sich deutlich ab: Sie lieferten für alle vier Eigenschaften hochgenaue und stabile Vorhersagen und übertrafen sowohl einfache lineare Fits als auch standardisierte Gleichungen aus Bauvorschriften, besonders bei hohem Rezyklatanteil.

Ein Blick in die Blackbox

Leistungsfähige Datenmodelle sind für Ingenieure nur dann nützlich, wenn sie vertraut und verständlich sind. Um die Blackbox zu öffnen, verwendeten die Autoren eine Technik zur Merkmalszuordnung, die misst, wie sehr jede Zutat der Mischung eine Vorhersage nach oben oder unten treibt. Sie fanden heraus, dass die Bindemittelseite der Rezeptur – insbesondere das Wasser-Zement-Verhältnis und die Zementmenge – der Haupttreiber für die Festigkeit in Druck, Zug und Biegung ist. Dagegen wird die Steifigkeit überwiegend von den Zuschlagstoffen bestimmt, wobei recycelte feine Partikel eine besonders starke Rolle spielen. Höhere Anteile feiner Rezyklate neigen dazu, den Beton flexibler zu machen, weil diese Körner weniger steif sind und alten, schwächeren Mörtel tragen. Diese Muster stimmen mit langjährigen Laborbeobachtungen überein und stärken die Zuversicht, dass das Modell reales physikalisches Verhalten und kein Rauschen lernt.

Von intelligenten Vorhersagen zu klügerem Design

Vereinfacht gesagt zeigt diese Arbeit, dass datengetriebene Werkzeuge Ingenieuren helfen können, schnell umweltfreundlichere Betonmischungen mit recyceltem Schutt zu sichten und gleichzeitig Sicherheits- und Leistungsanforderungen zu erfüllen. Die Studie demonstriert, dass bestimmte moderne Algorithmen mit hoher Genauigkeit vorhersagen können, wie stark und steif eine vorgeschlagene Mischung sein wird, und anzeigen, welche Änderungen bei Wasser-, Zement- oder Zuschlagsgehalt am wichtigsten sind. Obwohl die aktuellen Ergebnisse auf den Bereich der in den zugrundeliegenden Studien untersuchten Mischungen beschränkt sind, lässt sich derselbe Workflow erweitern, wenn mehr Daten verfügbar werden. Das ebnet den Weg für praktische Entwurfswerkzeuge, die Bauende zu nachhaltigeren Betonentscheidungen führen, ohne die strukturelle Zuverlässigkeit zu opfern.

Zitation: Awoyera, P.O., Simwanda, L., Vasić, M.V. et al. Hybrid generative–ensemble approach for predicting recycled aggregate concrete strength properties. Sci Rep 16, 15205 (2026). https://doi.org/10.1038/s41598-026-42598-6

Schlüsselwörter: recycelter beton, maschinelles lernen, materialfestigkeit, nachhaltiges bauen, Datenbasiertes Design