Analyse der mechanischen Eigenschaften von Geopolymerbeton auf Basis von Bagasse-Asche mit Hilfe von Machine Learning

Landwirtschaftliche Abfälle in stärkeren, saubereren Beton verwandeln

Beton ist das Rückgrat moderner Städte, doch die Herstellung von gewöhnlichem Zement setzt enorme Mengen an Kohlendioxid frei. Diese Studie untersucht einen Weg, diese Verschmutzung zu reduzieren, indem ein landwirtschaftlicher Abfall – die Asche aus der Zuckerrohrverarbeitung – zu einer Schlüsselkomponente einer neuen Betonart gemacht wird. Sie zeigt außerdem, wie moderne Datenwerkzeuge, darunter maschinelles Lernen, Ingenieuren helfen können, schnell vorherzusagen, wie widerstandsfähig dieser umweltfreundlichere Beton sein wird.

Warum eine neue Betonart wichtig ist

Herkömmlicher Beton ist auf Portlandzement angewiesen, dessen Herstellung energieintensiv ist und einen beträchtlichen Anteil der globalen CO₂-Emissionen verursacht. In den letzten Jahren hat sich „Geopolymer“-Beton als vielversprechende Alternative etabliert. Anstatt Zement zu verwenden, nutzt er industrielle Nebenprodukte, die reich an Silizium und Aluminium sind – etwa Flugasche aus Kraftwerken – und aktiviert sie mit alkalischen Lösungen. Diese Chemie erzeugt einen harten, steinähnlichen Bindemittelstoff und kann dabei die Emissionen um 22–72 % senken, ohne Festigkeit oder Dauerhaftigkeit preiszugeben. Die Besonderheit dieser Arbeit besteht darin, einen Teil der Flugasche durch Zuckerrohr-Bagasse-Asche zu ersetzen, einen Abfall, der in Zuckerfabriken in großen Mengen anfällt und häufig auf Deponien landet oder als feiner, verschmutzender Staub freigesetzt wird.

Von den Zuckerrohrfeldern zu Bausteinen

Indien, einer der weltweit größten Zuckerrohrproduzenten, erzeugt jährlich Millionen Tonnen Bagasse-Asche. Chemisch ist diese Asche reich an reaktiver Kieselsäure und anderen Oxiden, was bedeutet, dass sie sich – bei richtiger Anwendung – ähnlich wie herkömmliche Zementzusätze verhalten kann. Die Forschenden sammelten Flugasche und Bagasse-Asche aus lokalen Quellen, mischten sie in unterschiedlichen Anteilen und kombinierten sie mit Standard-Sand und Kies. Anschließend fügten sie Natriumhydroxid-Lösungen in verschiedenen Konzentrationen hinzu, um die Geopolymerreaktion auszulösen, gossen Prüfproben und härteten diese aus. Das Hauptziel war zu ermitteln, wie viel Flugasche durch Bagasse-Asche ersetzt werden kann, ohne die hohe Druck-, Biege- und Zugfestigkeit zu gefährden – die drei entscheidenden Kennwerte für das Verhalten von Beton unter verschiedenen Belastungsarten.

Das optimale Verhältnis für Festigkeit finden

Das Team prüfte Mischungen, bei denen die Bagasse-Asche 0–50 % der Flugasche ersetzte, und variierte die Stärke der alkalischen Lösung. Sie stellten fest, dass sowohl der Anteil der Bagasse-Asche als auch die Natriumhydroxid-Konzentration die Leistung stark beeinflussen. Ein besonders erfolgreiches Rezept verwendete 30 % Bagasse-Asche und eine mittel-hohe Aktivatorkonzentration. Nach 28 Tagen erreichte diese Mischung eine Druckfestigkeit von etwa 47 Megapascal, klar im Bereich für strukturelle Anwendungen und höher als die Kontrollmischung ohne Bagasse-Asche. Ähnliche Aufwärtstrends zeigten sich bei Biege- und Spaltversuchen, wobei die Festigkeiten bei sehr hohen Ascheanteilen abflachten oder leicht zurückgingen. Die Ergebnisse deuten auf ein optimales Gleichgewicht hin: genug Bagasse-Asche, um die innere Bindungsstruktur zu verbessern, aber nicht so viel, dass Porosität und unvollständige Reaktion das Material schwächen.

Algorithmen aus Beton lernen lassen

Die Messung der Betonfestigkeit im Labor ist zeitaufwändig und kostspielig, besonders wenn viele Variablen – wie Aschetyp, Ersatzanteil und chemische Konzentration – gleichzeitig variieren. Um diesen Prozess zu beschleunigen, trainierten die Forschenden drei Typen maschineller Lernmodelle, um die Festigkeit aus dem Mischungsentwurf vorherzusagen: ein künstliches neuronales Netz, einen Random Forest und ein XGBoost-Modell. Während das neuronale Netz die Trainingsdaten gut anpasste, tat es sich bei neuen Daten schwer – ein klassisches Zeichen von Overfitting. XGBoost, eine leistungsfähige Boosting-Methode, war im Trainingssatz nahezu perfekt, verlor jedoch ebenfalls an Genauigkeit bei Testfällen. Das Random-Forest-Modell fand die beste Balance und behielt auf unbekannten Daten für alle drei Festigkeitsmaße eine hohe Vorhersagekraft bei, womit es die verlässlichste Wahl für praktische Prognosen darstellt.

Was das für grüneres Bauen bedeutet

Die Arbeit zeigt, dass Zuckerrohr-Bagasse-Asche, einst ein Entsorgungsproblem, als wertvolle Zutat in leistungsfähigem Geopolymerbeton dienen kann. Bei richtiger Mischungsproportion und Aktivatorlevel lenkt sie nicht nur Abfall von Deponien um und reduziert CO₂-Emissionen, sondern liefert auch Beton, der ebenso stark – oder stärker – ist als konventionelle Mischungen. Die Kombination dieser nachhaltigeren Rezepte mit robusten Machine-Learning-Modellen ermöglicht es Ingenieuren, die Festigkeit allein aus dem Mischungsentwurf schnell abzuschätzen, Entwicklungszyklen zu verkürzen und Prüfkosten zu senken. Für den Laien ist die Quintessenz simpel: Landwirtschaftliche Rückstände und smarte Algorithmen können gemeinsam helfen, sauberere, stärkere Strukturen für künftige Städte zu bauen.

Zitation: Pratap, B., Kumar, S., Gupta, K.K. et al. Mechanical properties analysis of geopolymer concrete based on the sugarcane bagasse ash using machine learning. Sci Rep 16, 14485 (2026). https://doi.org/10.1038/s41598-026-44848-z

Schlüsselwörter: Geopolymerbeton, Bagasse-Asche aus Zuckerrohr, nachhaltiges Bauen, Maschinelles Lernen, Flugasche