Vergleichende Bewertung von Machine‑Learning‑ und Deep‑Learning‑Ansätzen zur Vorhersage der Druckfestigkeit von Geopolymerbeton

Ein neuer Weg, um umweltfreundlicheren Beton zu entwerfen

Beton bildet das Rückgrat moderner Städte, doch die Herstellung von herkömmlichem Zement setzt große Mengen Kohlendioxid frei. Geopolymerbeton bietet eine sauberere Alternative, trotzdem fällt es Ingenieurinnen und Ingenieuren schwer, die Festigkeit nach dem Erhärten zuverlässig vorherzusagen. Diese Studie zeigt, wie moderne Datenwerkzeuge, darunter Machine Learning und Deep Learning, aus Hunderten früherer Experimente lernen können, um die Festigkeit von Geopolymerbetonmischungen vorherzusagen und so umweltfreundlicheres Bauen mit weniger kostenintensiven Versuchslosen zu ermöglichen.

Warum umweltfreundlicher Beton schwer zu beherrschen ist

Geopolymerbeton ersetzt einen großen Teil des gewöhnlichen Zements durch industrielle Nebenprodukte wie Flugasche, Schlacke, Metakaolin und Silikastaub. Diese Pulver reagieren mit alkalischen Flüssigkeiten zu einem festen, steinähnlichen Material, das die Festigkeit von Standardbeton erreichen oder übertreffen kann und gleichzeitig die CO2‑Emissionen um bis zu etwa 70 Prozent senkt. Diese umweltfreundlichere Rezeptur ist jedoch empfindlich: Die Festigkeit hängt von vielen verflochtenen Faktoren ab, darunter Art und Menge der Pulver, Dosierung und Konzentration der alkalischen Flüssigkeiten, Wasser- und Zusatzmittelgehalt, Sand- und Kiesanteile, zugemischte Fasern zur Erhöhung der Zähigkeit sowie Dauer und Bedingungen der Nachbehandlung. Weil all diese Zutaten in komplexer, nichtlinearer Weise interagieren, reichen einfache Gleichungen nicht aus, um die Festigkeit einer neuen Mischung zu prognostizieren.

Aufbau eines groß angelegten Datensatzes

Um diese Komplexität anzugehen, stellten die Autorinnen und Autoren eine große, vereinheitlichte Datenbank aus 19 veröffentlichten Studien zusammen, die 594 verschiedene Geopolymerbetonmischungen abdeckt. Jeder Datensatz beschreibt Schlüsselzutaten wie die Mengen an Flugasche, Schlacke, Metakaolin, Silikastaub, Sand, Kies, Wasser, alkalischen Flüssigkeiten und Superplastifizierer sowie Stahldraht‑ und Polypropylenfasern und das Nachbehandlungsalter in Tagen. Das Team bereinigte die Daten sorgfältig: Duplikate wurden entfernt, Einheiten und Variablennamen vereinheitlicht und nur Mischungen mit vollständigen Angaben beibehalten. So entstand ein vielfältiger, aber konsistenter Satz, der ein weites Spektrum an Festigkeiten abdeckt – von relativ schwachen bis hin zu sehr leistungsfähigen Betonen – und die reale Bandbreite aus zahlreichen Laboren widerspiegelt.

Maschinen aus der Vergangenheit lernen lassen

Mit dieser Datenbasis trainierten die Forschenden eine Reihe von Vorhersagemodellen. Auf der klassischen Seite setzten sie mehrere Machine‑Learning‑Verfahren ein, darunter Entscheidungsbäume, Random Forests und fortgeschrittene "Boosting"‑Techniken, die viele kleine Modelle zu einem starken Gesamtschätzer kombinieren. Im Deep‑Learning‑Bereich testeten sie zwei neuronale Netze unterschiedlicher Tiefe sowie ein modernes Tabular‑Modell namens TabNet, das mit einem Aufmerksamkeitsmechanismus die informativsten Eingaben fokussiert. Die Daten wurden so aufgeteilt, dass 80 Prozent der Mischungen zum Training der Modelle dienten, während die übrigen 20 Prozent beiseitegelegt wurden, um zu prüfen, wie gut jedes Verfahren unbekannte Ergebnisse anhand standardisierter Fehler‑ und Anpassungsmaße vorhersagen kann.

Welche Modelle am besten funktionierten und warum

Der klare Gewinner unter den Machine‑Learning‑Ansätzen war ein Boosting‑Verfahren namens CatBoost, das sehr genaue Festigkeitsvorhersagen lieferte und die Testdaten über den gesamten Wertebereich gut abbildete. Ein weiteres Boosting‑Modell, XGBoost, landete knapp dahinter. Unter den Deep‑Learning‑Werkzeugen schnitt TabNet am besten ab und konnte dem führenden Machine‑Learning‑Modell effektiv Konkurrenz machen, während ein tieferes neuronales Netz mit mehr Schichten schlechter abschnitt – wahrscheinlich, weil der Datensatz für eine so komplexe Struktur zu klein war. Um diese "Black‑Box"‑Vorhersagen transparenter zu machen, nutzten die Autorinnen und Autoren ein Erklärungswerkzeug namens SHAP, das jedem Input eine Wichtigkeitsbewertung zuweist. Diese Analysen zeigten, dass Schlackenanteil und Nachbehandlungsalter beständig die Vorhersage der Festigkeit dominieren, gefolgt von anderen Bindermaterialien, der Aktivatordosierung und der Zuschlagmengen, während Stahl‑ und Kunststofffasern für die Druckfestigkeit nur eine sekundäre Rolle spielen – obwohl sie Rissbildung und Zähigkeit stark beeinflussen können.

Was das für die zukünftige Baupraxis bedeutet

Kurz gesagt zeigt diese Arbeit, dass Computer aus Hunderten früherer Geopolymerbetonrezepte schnell und zuverlässig abschätzen können, wie fest eine neue, umweltfreundliche Mischung sein wird. Anstatt zahlreiche Prüfzylinder zu gießen und zu zerdrücken, können Ingenieurinnen und Ingenieure diese Modelle nutzen, um vielversprechende Kombinationen aus Bindemittelpulvern, Aktivatorflüssigkeiten und Nachbehandlungszeiten einzugrenzen, bevor sie ins Labor gehen. Die Studie hebt zudem hervor, welche Zutaten am wichtigsten sind und liefert praxisnahe Hinweise: Den Schlackenanteil, die Aktivatormenge und die Nachbehandlungsbedingungen richtig zu treffen ist für die Druckfestigkeit weitaus relevanter als das Feintuning der Faserzugaben. Auch wenn die Modelle noch an größeren und standardisierteren Datensätzen validiert werden müssen, stellt dieses Rahmenwerk einen wichtigen Schritt in Richtung datenbasierter, CO2‑ärmerer Betonplanung dar.

Zitation: Ezz, H., Bakr, S.M. Comparative evaluation of machine learning and deep learning approaches for compressive strength prediction of geopolymer concrete. Sci Rep 16, 14652 (2026). https://doi.org/10.1038/s41598-026-50705-w

Schlüsselwörter: Geopolymerbeton, Machine Learning, Deep Learning, Vorhersage der Druckfestigkeit, nachhaltiges Bauen