חיזוי חוזק לחץ של בטון עם נגזרות ממחזור שעבר פחמימות באמצעות מודלים של למידת מכונה מבוססי רגרסיה

להפוך בטון ישן לבעל ברית באקלים

בכל שנה ערים מנסות כבישים נרחבים של בטון, שולחות חלקים שבורים להטמנה ודורשות אבן חדשה ממכרות. מחקר זה בוחן דרך לסגור את המעגל: לקחת בטון פסולת מרוסק, להשתמש בו כדי ללכוד דו-תחמוצת הפחמן, ולחזות עד כמה בטון חדש ויותר ירוק זה יהיה חזק בעזרת כלים מודרניים של למידת מכונה. למי שמתעניין בערים ידידותיות לאקלים ושימוש חכם בנתונים, עבודה זו ממחישה כיצד אינטליגנציה מלאכותית יכולה לסייע למהנדסים לתכנן מבנים בטוחים וברת-קיימא יותר מחורבות שקדמו להם.

מדוע שימוש חוזר בבטון חשוב

בטון נמצא בכל מקום — כבישים, גשרים, גורדי שחקים — וייצורו צורך כמויות אדירות של סלע טבעי ואנרגיה תוך פליטת נפחי CO₂ גבוהים. מיליות של סתימות מבטון ממוחזר, המופקות מריסוק בטון ישן, יכולות להקל על העול על ידי צמצום הכרייה והפחתת פסולת להטמנה. אבל יש בעיה: חתיכות ממוחזרות אלו נושאות בדרך כלל מרווח דבק מלטי שאריות על פני השטח, מה שהופך אותן לנקבוביות יותר ולחלשות יותר מאבן טבעית. משמעות הדבר שבטון חדש שמוכן עם מיליות ממוחזרות אינו תמיד חזק או עמיד באותה המידה — דאגה רצינית לבטיחות מבנית.

לחזק את הבטון הפסול עם CO₂

כדי להתמודד עם הבעיה, חוקרים פנו לתהליך הקרבונציה, שבו מכניסים בכוונה CO₂ כדי שיגיב עם תרכובות לדבק המלט הישן. בתוך חלקיקי המיליאט הממוחזרים, הגז יוצר מינרלים מוצקים שממלאים נקבוביות, מהדקים מיקרסדקים ומחזקים את אזורי המגע שמחזיקים את הבטון החדש יחד. זה לא רק משפר את איכות החומר — מגדיל צפיפות ומקטין ספיגת מים — אלא גם מאחסן CO₂ בתוך הבטון, וכך הופך פסולת למאגרים קטנים של פחמן. המחקר התמקד בבטון שנעשה עם מיליות ממוחזרות שעברו הקרבונציה ושאל שאלה מרכזית: האם אפשר לחזות במדויק את חוזק הבטון הירוק הזה בלי לערוך ניסויים מעבדתיים אין-סופיים?

ללמד מחשבים לחזות חוזק

המחברים אספו 108 דגימות בטון שנמדדו בקפידה מתוך ניסויים קודמים. עבור כל דגימה הם רשמו כיצד תערובת הוכנה (כגון יחס מים-מלט וכמה מיליות דקיקות ועבות הושמו), עד כמה המיליות טובות (ספיגת המים ועמידות למעיכה), כמה חזק היה הבטון «האם» המקורי, כמה CO₂ ספגו החלקיקים הממוחזרים ואיזה חלק מאבן טבעית הוחלף בחומר ממוחזר. לאחר מכן אימנו מספר מודלים של למידת מכונה בסגנון רגרסיה — מטכניקות פשוטות של קו ישר ועד עצי החלטה וגיווןי אנסמבל — כדי ללמוד את הקשר בין הקלטים האלה לבין חוזק הלחיצה שהתקבל.

לפענח תערובות מורכבות עם מודלים חכמים

רבים מהרכיבים שנמדדו היו קשורים זה בזה בחוזקה, מה שעלול לבלבל שיטות סטטיסטיות מסורתיות. כדי לפשט, הצוות שילב קבוצות של משתנים קשורים לשני אינדקסים מורכבים: אחד שמתאר את היחסיות הכללית של התערובת, ואחד שמסכם את ביצועי המיליות. הם השוו אז בין מודלים שאומנו על הנתונים המלאים והמפולחים לבין מודלים שאומנו על האינדקסים המצומצמים הללו. גישות ליניאריות פשוטות הופיעו בתוצאות סבירות אך התקשו עם יחסים מעוקלים ומשולבים בנתונים. לעומת זאת, שיטות אנסמבל מבוססות-עצים — עצי החלטה, יערות אקראיים ו-LightGBM — תפסו דפוסים אלה בדיוק מרשים, כשהשגיאות הטיפוסיות של החיזוי נשארו סביב קצת יותר ממגה-פסקל אחד של חוזק והסבירו יותר מ-99% מהשונות שנצפתה בניסויים.

מה הכי משפיע על בטון ירוק וחזק

כדי לפתוח את «תיבת השחורה» של המודלים הביצועים הטובים ביותר, החוקרים השתמשו ב-SHAP — טכניקה שמראה עד כמה כל קלט משפיע בדרך כלל על כך שחיזוי יעלה או ירד. הם מצאו שדרך התכנון והיחסיות של התערובת — במיוחד האיזון בין מלט, מיליות ומים — היא הגורם הדומיננטי שקובע את החוזק. רמת ההקרבונציה במיליות הממוחזרות גם היא מי שממלאת תפקיד משמעותי אך שאינו ליניארי: טיפול CO₂ רב בדרך כלל משפר, אך השפעתו תלויה באיכות הבטון ההורי המקורי. המדד המשולב של ביצועי המיליות משפיע באופן בינוני, בעוד שהגדלת אחוז המיליות הממוחזרות חשובה פחות מאשר כוונון נכון של עיצוב התערובת והטיפול.

מנתוני מעבדה לעיצוב מעשי

במילים פשוטות, מחקר זה מראה כי בטון עם מיליות ממוחזרות שעברו הקרבונציה יכול להיות גם מודע לאקלים וגם חזק — בתנאי שנוסחתו מותאמת בקפידה. למידת מכונה מודרנית, ובמיוחד מודלים אנסמבל מבוססי עץ, יכולה לחזות במדויק את החוזק מתוך קבוצת פרמטרים ניתנים לניהול של תערובת וחומרים, ובכך להפחית את הצורך בבדיקות ממושכות על כל שילוב חדש. למהנדסים ומתכננים זה אומר שהופך יותר ויותר ריאליסטי לתכנן מבנים שמשתמשים בבטון ישן, מאחסנים CO₂ ועדיין עומדים בתקנים מחמירים של בטיחות, כאשר כלים מונחי-נתונים מסייעים בדרך.

ציטוט: Gebremariam, H.G., Taye, S. & Tarekegn, A.G. Compressive strength prediction of carbonated recycled aggregate concrete using regression based machine learning models. Sci Rep 16, 5825 (2026). https://doi.org/10.1038/s41598-026-36197-8

מילות מפתח: בטון ממוחזר, הקרבונציה, למידת מכונה, חוזק לחיצה, בנייה ברת-קיימא