Landwirtschaftliche Abfälle in stärkeren, grüneren Beton verwandeln
Beton stützt unsere Gebäude, Brücken und Straßen, doch die Herstellung des darin enthaltenen Zements verursacht große Mengen Kohlendioxid. Gleichzeitig fallen in Palmölbetrieben Berge von Asche an, die häufig entsorgt werden. Diese Studie untersucht, wie sich diese Asche als nützliche Zutat für Beton verwerten lässt und wie intelligente Computerprogramme zuverlässig vorhersagen können, wie stark solcher „grüner“ Beton sein wird, bevor auch nur eine Charge gegossen wird.
Warum Palmölasche wichtig ist
Palmöl-Brennstoffasche ist ein feines Nebenprodukt, das nach der Verbrennung von Palmabfällen zur Energiegewinnung zurückbleibt. In Ländern mit intensiver Palmölproduktion häuft sie sich in großen Mengen an und kann Entsorgungs- und Umweltprobleme verursachen. Gleichzeitig enthält diese Asche reaktive Partikel, die teilweise Zement in Beton ersetzen können. Ihre Verwendung dient also zwei Zielen: sie reduziert die Menge des energieintensiven Zements und recycelt einen landwirtschaftlichen Abfallstrom. Frühere Versuche haben gezeigt, dass, wenn die Asche aufbereitet und vorsichtig eingesetzt wird, daraus Beton mit guter Festigkeit und Dauerhaftigkeit entstehen kann. Die Herausforderung liegt darin, dass die Festigkeit von vielen wechselwirkenden Komponenten und Aushärtebedingungen abhängt, sodass Planer eine schnelle und verlässliche Abschätzung der Leistungsfähigkeit benötigen, ohne endlose Tests durchführen zu müssen.
Ein intelligentes Modell aus Hunderten von Mischungen lernen lassen Figure 1.
Die Forscher sammelten Daten aus 22 veröffentlichten Studien und kamen so auf 469 verschiedene Betonmischungen, die alle Palmöl-Brennstoffasche verwendeten. Für jede Mischung protokollierten sie sechs zentrale Zutaten und Bedingungen: die Menge an Zement und Asche, die Zugabe an chemischem Fließmittel (Superplastifizierer), das Verhältnis von groben zu feinen Zuschlägen, das Wasser-zu-Bindemittel-Verhältnis und die Aushärtezeit bis zur Prüfung. Anschließend setzten sie künstliche Intelligenz ein und bauten ein Computermodell, das von der Art inspiriert ist, wie Nervenzellen im Gehirn verbunden sind, bekannt als künstliches neuronales Netzwerk. Dieser Modelltyp lernt durch Beispiele: er sieht viele Kombinationen von Eingaben und den daraus resultierenden Festigkeiten und passt nach und nach seine internen Verbindungen an, um diese Ergebnisse nachzuahmen.
Das Netzwerk mit einer evolutionär inspirierten Suche stärken
Allein ist ein neuronales Netzwerk oft schwer zu optimieren. Sind seine internen Einstellungen ungünstig gewählt, kann es in mittelmäßiger Leistung steckenbleiben. Um dem entgegenzuwirken, kombinierten die Autoren das neuronale Netzwerk mit einem zweiten Algorithmus, der das Ausbreiten und Anpassung von Arten über Inseln nachempfindet, genannt biogeographische Optimierung. In diesem Schema steht jede „Insel“ für eine andere Einstellungskombination des Netzwerks. Merkmale erfolgreicher Inseln wandern zu schwächeren, während gelegentliche zufällige Änderungen verhindern, dass die Suche steckenbleibt. Über viele Zyklen verfeinert dieser hybride Ansatz das Netzwerk, sodass es die gemessenen Betonfestigkeiten besser abbilden kann.
Wie gut das hybride Modell abschneidet Figure 2.
Um zu prüfen, ob ihr hybrides Modell seinen Nutzen wirklich einlöst, teilten die Autor:innen die 469 Mischungen in Gruppen zum Trainieren, Abstimmen und unabhängigen Testen auf und nutzten zusätzlich Kreuzvalidierungsverfahren, die die Daten wiederholt neu mischen. Sie verglichen das hybride Netzwerk mit einem Standardnetzwerk und mit früheren Modellen aus der Literatur. Die hybride Version sagte die Druckfestigkeit konsequent genauer voraus: Über 60 % ihrer Vorhersagen lagen innerhalb von 5 % der gemessenen Werte, verglichen mit etwa 39 % beim konventionellen Modell. Ihr Gesamtabweichung war kleiner und ihre Vorhersagen waren stabiler, wenn die Daten auf unterschiedliche Weise neu sampelten. Die Analyse des trainierten Modells zeigte zudem, welche Faktoren am wichtigsten sind, wobei die Aushärtezeit und das Wasser-zu-Bindemittel-Verhältnis als stärkste Einflussfaktoren hervorgehoben wurden.
Was das für grüneres Bauen bedeutet
Für Ingenieur:innen und Planer bietet die Studie ein praktisches Werkzeug: Für eine vorgeschlagene Mischung, die Palmöl-Brennstoffasche enthält, kann das hybride Modell schnell schätzen, wie stark der resultierende Beton voraussichtlich sein wird, innerhalb des Bereichs der gesehenen Mischungen. Das spart Zeit, reduziert kostenintensive Versuchschargen und fördert die breitere Nutzung abfallbasierter Materialien, die Zementverbrauch und Emissionen senken. Zwar ist das Modell noch durch Lücken und Unterschiede in den zugrundeliegenden Experimenten begrenzt, es zeigt jedoch, dass die Kombination datenbasierten Lernens mit evolutionär inspirierten Suchstrategien helfen kann, die Komplexität moderner nachhaltiger Betone zu beherrschen und grüneres Bauen einen Schritt näher an die Praxis zu bringen.
Zitation: Kazemi, R., Pour, M.A. & Gandomi, A.H. Hybrid machine learning approach for predicting compressive strength of sustainable concrete incorporating palm oil fuel ash.
Sci Rep16, 14033 (2026). https://doi.org/10.1038/s41598-026-46190-w
