Vorhersage der unkonfinierten Druckfestigkeit von mit Geopolymer stabilisierten Tonen mittels eines sektorförmigen Fruchtfliegen‑basierten Extreme Learning Machine

Stärkerer Untergrund bei geringeren Umweltkosten

Weltweit müssen Ingenieure weiche, tonreiche Böden in tragfähige Fundamente für Straßen, Gebäude und Dämme verwandeln. Klassischerweise geschieht dies durch Zugabe großer Mengen Portlandzement, eine bedeutende Quelle von Kohlendioxid‑Emissionen. Diese Studie untersucht einen sauberen Alternativweg: den Einsatz industrieller Nebenprodukte, sogenannter Geopolymere, zur Festigkeitssteigerung von Tonen, und die Anwendung einer raffinierteren Form künstlicher Intelligenz, um vorherzusagen, wie stark der behandelte Boden wird, ohne endlose Labortests durchführen zu müssen.

Industrielle Abfälle in nützliche Bindemittel verwandeln

Geopolymere sind Bindemittel, die durch Aktivierung aluminosilikathaltiger Pulver—wie gemahlenes Hochofenschlackegranulat (GGBS) und Flugasche—mit alkalischen Lösungen entstehen. In Mischung mit Ton bilden sie starre, steinähnliche Netzwerke, die hohe Festigkeit, geringe Schrumpfung und gute Dauerhaftigkeit bieten können, bei deutlich geringeren CO₂‑Emissionen als konventioneller Zement. Frühere Versuche zeigten, dass mit Geopolymer stabilisierte Tone Festigkeiten von nahezu null bis über 40 Megapascal erreichen können, abhängig von der Zusammensetzung. Das Ergebnis hängt jedoch empfindlich von vielen Faktoren gleichzeitig ab: der natürlichen Plastizität des Tons, dem Anteil an Schlacke oder Asche, der Stärke der alkalischen Lösung und dem Verhältnis zentraler Elemente wie Natrium, Silizium und Aluminium.

Warum die Vorhersage der Bodenfestigkeit so schwierig ist

Um ein praktikables Gemisch zu entwerfen, möchten Ingenieure im Voraus wissen, wie stark ein bestimmtes Rezept sein wird. Vollständige Laborprogramme für jede mögliche Mischung durchzuführen, ist zeitaufwendig und teuer. Traditionelle statistische Formeln stoßen ebenfalls an ihre Grenzen, weil die Beziehungen zwischen Bodentyp, Geopolymer‑Zusammensetzung und resultierender Festigkeit hochgradig nichtlinear sind. Moderne Methoden des maschinellen Lernens—wie neuronale Netze und Support‑Vector‑Machines—verbessern die Vorhersagen, benötigen aber oft aufwändiges Abstimmen, können bei kleinen Datensätzen überanpassen und verhalten sich häufig wie undurchsichtige „Black Boxes“, die nicht klar zeigen, welche Zutaten am meisten ins Gewicht fallen.

Eine klügere Lernmaschine, gesteuert von einem digitalen Schwarm

Die Autorinnen und Autoren stellten 270 Versuchsergebnisse aus früheren Studien zu mit Geopolymer stabilisierten Tonen zusammen, die verschiedene Bodentypen, Bindermischungen, Alkalikonzentrationen und Aushärtungsbedingungen abdecken. Anschließend trainierten sie drei verwandte Vorhersagemodelle. Die Kernkomponente, genannt Extreme Learning Machine, ist ein schnelles neuronales Netz, das die meisten internen Einstellungen in einem analytischen Schritt statt durch langsames Trial‑and‑Error festlegt. Um diese internen Einstellungen weiter zu verfeinern, koppelte das Team das Netz an eine „Fruchtfliegen‑Optimierung“, die nachahmt, wie Fruchtfliegen nach Nahrung suchen. In ihrer verbesserten Version, der sektorförmigen Fruchtfliegen‑Optimierung, streut der virtuelle Schwarm nicht zufällig umher; stattdessen erkundet er den Suchraum in gleichmäßig verteilten Sektoren, was die Stabilität erhöht und dem Algorithmus hilft, schneller zu einer guten Lösung zu finden.

Bessere Vorhersagen und klarere Einsichten in die Einflussfaktoren

Bei Tests an unbekannten Daten sagte die Basismaschine die unkonfinierte Druckfestigkeit—also wie viel Druck der behandelte Ton aushält—bereits einigermaßen genau voraus. Die Hinzunahme der ursprünglichen Schwarm‑Suche verbesserte die Genauigkeit weiter. Der sektorbasierten Schwarm lieferte die besten Ergebnisse: Er reduzierte den Vorhersagefehler gegenüber dem Basismodell um etwa 42 Prozent und gegenüber der früheren Fruchtfliegen‑Variante um 19 Prozent, bei weiterhin geringer Rechenlast, die auf einem gewöhnlichen Laptop handhabbar bleibt. Die meisten vorhergesagten Festigkeiten lagen nahe an den gemessenen Werten, und die Fehlerverteilung deutete darauf hin, dass das Modell gut generalisiert und nicht nur die Trainingsdaten auswendig gelernt hat.

Komplexe Modelle in praktikable Bodenrezepte übersetzen

Um die „Black Box“ zu öffnen, wandten die Forschenden eine Technik namens SHAP‑Analyse an, die jedem Eingangswert einen Beitrag zur Endvorhersage zuordnet. Diese Analyse zeigte, dass der Schlackenanteil (GGBS) der einzelner stärkste Einflussfaktor für die Festigkeitssteigerung war, wobei auch die Plastizität des Tons und die Flüssigkeitsgrenze eine wichtige Rolle spielten. Bestimmte Mischparameter—wie ein übermäßiger Flugascheanteil oder sehr hohe Plastizität—neigten dazu, die Festigkeit zu verringern, während eine angemessene Alkalikonzentration und ein günstiges Natrium‑zu‑Aluminium‑Verhältnis mäßig positive Effekte zeigten. Diese Erkenntnisse, kombiniert mit den genauen Vorhersagen, machen die sektorförmig verbesserte Fruchtfliegen‑Lernmaschine zu einem vielversprechenden Werkzeug zur Führung der Geopolymer‑Mischungsentwicklung, das Ingenieuren hilft, Rezepte zu wählen, die starken, stabilen Untergrund mit weniger Tests und geringerem Umwelteinfluss liefern.

Zitation: Abdellatief, M., mortagi, M. Predicting unconfined compressive strength of geopolymer-stabilized clays using a sector fruit fly–based extreme learning machine. Sci Rep 16, 12723 (2026). https://doi.org/10.1038/s41598-026-47208-z

Schlüsselwörter: mit Geopolymer stabilisierter Ton, Vorhersage der Bodenfestigkeit, Maschinelles Lernen in der Geotechnik, nachhaltige Bodenverbesserung, Extreme Learning Machine