Bewertung des thermisch induzierten Festigkeitsverlusts in alkalisch aktiviertem Beton mittels Ensemble-Regressionsmodellen

Warum heißer Beton wichtig ist

Wenn ein Gebäude einem schweren Brand ausgesetzt ist, kann die Festigkeit seines Betons den Unterschied zwischen Stehenbleiben und Einsturz ausmachen. Ingenieure wenden sich zunehmend einer umweltfreundlicheren Betonsorte zu, dem alkalisch aktivierten Beton, der Industrieabfälle wiederverwendet und hitzebeständiger ist als herkömmlicher Zement. Alle möglichen Rezepturen im Ofen zu prüfen, ist jedoch zeitaufwändig und teuer. Diese Studie zeigt, wie moderne datengetriebene Werkzeuge aus früheren Experimenten lernen und schnell vorhersagen können, wie viel Festigkeit dieser umweltfreundlichere Beton nach extremen Temperaturen noch behält.

Eine umweltfreundlichere Betonart

Alkalisch aktivierter Beton ersetzt einen Großteil des üblichen Zements durch industrielle Nebenprodukte wie Flugasche aus Kraftwerken, Hochofenschlacken aus der Stahlproduktion und sogar fein gemahlenes Altglas. Dieser Austausch verringert die CO2-Emissionen und verleiht den Abfallstoffen ein zweites Leben. Dank seiner andersartigen, gelartigen Bindemittelstruktur hält dieser Beton beim Erwärmen häufig besser stand. Sein Verhalten im Brandfall ist jedoch sehr empfindlich gegenüber Details: das Pulvergemisch, die zur Aktivierung verwendeten Chemikalien, Dauer und Temperatur der Aushärtung sowie die Spitzen­temperatur, der er später ausgesetzt wird. Diese Komplexität macht es schwer, allein aus den ersten Prinzipien vorherzusagen, wie viel Festigkeit nach einem Brand übrig bleibt.

Die Muster von Daten erkennen lassen

Die Forschenden stellten einen detaillierten Datensatz von 371 Betonwürfeln aus Flugasche und Schlacke zusammen, die teilweise durch Altglas­pulver ersetzt waren. Das Rezept jedes Würfels wurde dokumentiert, ebenso wie seine Aushärtung und die Temperatur—zwischen typischen Raumbedingungen und 1000 °C—der er vor dem Test ausgesetzt wurde. Anstatt sich auf einfache Gleichungen zu stützen, wandte das Team fünf überwachte Methoden des maschinellen Lernens an. Diese Algorithmen suchen nach Zusammenhängen zwischen den Eingaben (Mischungsanteile, Aushärtungs­temperatur und -dauer sowie Erwärmungsniveau) und der Ausgabe: der verbleibenden Druckfestigkeit des Betons.

Welcher digitale „Wetterbericht“ am besten funktioniert

Die Studie verglich einen einfachen Entscheidungsbaum mit fortgeschritteneren Ensemble-Methoden, die viele einfache Modelle kombinieren, um verlässlichere Vorhersagen zu liefern. Dazu gehörten Bagging, AdaBoost, Random Forest und eine Technik namens Extreme Gradient Boosting. Die Autoren verwendeten sorgfältige Kreuzvalidierung, indem sie die Modelle an einigen Mischungsdesigns trainierten und an völlig anderen testeten, um die reale Anwendung nachzuahmen. Unter allen Kandidaten lag das Gradient-Boosting-Modell vorn. Es reproduzierte die Testergebnisse mit sehr hoher Übereinstimmung und dem geringsten mittleren Fehler, dicht gefolgt vom Random Forest. Im Gegensatz dazu konnte ein einfaches lineares Modell die gekrümmte, nichtlineare Veränderung der Festigkeit in Abhängigkeit von Zusammensetzung und Temperatur nicht erfassen.

Herausfinden, was im Gemisch wirklich zählt

Über die reine Genauigkeit hinaus wollten die Forschenden wissen, welche Zutaten und Verarbeitungsschritte die Leistung bei Hitze tatsächlich bestimmen. Sie untersuchten Korrelationen und nutzten Interpretierbarkeitswerkzeuge, die zeigen, wie stark jede Eingangsvariable die Modellvorhersagen verschiebt. Aushärtungstemperatur, Aushärtungsdauer und die Konzentration des alkalischen Aktivators erwiesen sich als die dominierenden Faktoren, die steuern, wie viel Festigkeit der Beton nach dem Erhitzen behält. Variablen wie die Menge des Grobkorns oder kleine Änderungen im Wassergehalt spielten eine geringere Rolle. Die Analyse spiegelte auch bekannte physikalische Prozesse wider: eine moderate Aushärtung fördert die Bildung eines dichten Bindungsnetzes, während übermäßige Hitze oder Alkali­gehalte das erhärtete Material spröder machen und bei steigenden Temperaturen bis zu 1000 °C zu Rissbildung führen können.

Vom Prüflabor zum Planungswerkzeug

Vereinfacht gesagt verwandelt diese Arbeit eine verstreute Reihe von Ofenprüfungen in ein praktisches Planungsinstrument. Die Ensemble-Modelle fungieren wie schnelle, trainierte Berater, die abschätzen können, wie sich ein vorgeschlagenes Rezept für grünen Beton in einem schweren Brand verhält, ohne Hunderte neuer Proben gießen und erhitzen zu müssen. Indem sie aufzeigen, welche Variablen am wichtigsten sind, leiten sie Ingenieure außerdem zu klügeren Entscheidungen bei Aushärtung und Chemikaliendosierung. Der Ansatz ersetzt nicht sorgfältige Prüfungen oder Bauvorschriften und muss noch auf weitere Materialien und Bedingungen ausgeweitet werden. Er bietet jedoch einen kraftvollen Schritt hin zu sichereren, feuerresistenteren und nachhaltigeren Betonstrukturen bei deutlich weniger Versuch-und-Irrtum-Experimenten.

Zitation: Deepti, Y., Kumar, S., Bandyopadhyay, A. et al. Assessment of thermally induced strength loss in alkali-activated concrete through ensemble regression models. Sci Rep 16, 14475 (2026). https://doi.org/10.1038/s41598-026-44193-1

Schlüsselwörter: alkalisch aktivierter Beton, feuerbeständige Materialien, Maschinelles Lernen, Druckfestigkeit, nachhaltiges Bauen