שיטה היברידית גנרטיבית–אנסמבלית לחיזוי תכונות חוזק של בטון עם עיגול מחדש של מלאי

מדוע מחקר זה חשוב לסביבה הבנויה שלנו

בטון נפוץ בכל תחומי החיים המודרניים, אך ייצורו צורך כמויות עצומות של חול, אבנים וצמנט ומשחרר פחמן דו‑חמצני לאוויר. דרך מבטיחה לצמצם את ההשפעה הזו היא reuse של בטון שבור ממבנים ישנים כחומר בניין חדש. הבעיה היא שבטון המכיל חלקים ממוחזרים אינו תמיד מתנהג כמו בטון המורכב מחומר חדש. המחקר הזה מראה כיצד כלים מודרניים מבוססי נתונים יכולים לעזור למהנדסים לחזות את חוזק התערובות הירוקות הללו עוד לפני שפורס בלוק בדיקה אחד.

למנף הריסות למשאב

אתרי בנייה והריסה יוצרים הרים של פסולת בטון מדי שנה. במקום לשלוח את ההריסות למזבלות, ניתן לרסק אותן ולהשתמש בהן כעיגול — השלד דמוי החרוזים שבתוך הבטון החדש. החלפה של חול ואבנים טבעיים בחומרים ממוחזרים עוזרת לשמר משאבים טבעיים מדלדלים ומפחיתה את טביעת הרגל הסביבתית של פרויקטי בנייה. עם זאת, לחלקיקים ממוחזרים לעתים יש ציפוי של צמנט ישן, יותר נקבוביות ואזורים של מגע חלשים בתוך התערובת החדשה. תכונות אלה עלולות להפחית את יכולת הנשיאה הבטוחה של הבטון, ולכן המתכננים נזהרים משימוש בכמויות גבוהות של חומר ממוחזר.

לומדים מתערובות בעבר

כדי להתמודד עם האתגר, החוקרים אספו נתונים מ‑112 מתכונים שונים של בטון שהשתמשו בעיגול טבעי וממוחזר יחד. עבור כל תערובת נרשמו כמויות המים, הצמנט, החול, החצץ והחומר הממוחזר, יחד עם ארבע תוצאות מרכזיות: חוזק לחץ, חוזק כשל במתיחה משנית (split tensile), חוזק כפיפה וקשיות. מאחר ש‑112 דוגמאות הן מעטות יחסית לאימון מודלים חזקים, השתמשה הקבוצה תחילה בכלי גנרטיבי — מכווץ תנאיי ואריאציוני (conditional variational autoencoder) — ליצירת אלפי תערובות סינתטיות נוספות שמחקות את הדפוסים של הדוגמאות האמיתיות. שלב זה עזר למודלים לראות מגוון רחב יותר של שילובים ריאליסטיים ובו־זמנית נשמר בדיקה מול תוצאות מעבדה אמיתיות.

בדיקת ארגז כלים של מודלים

הצוות השווה לאחר מכן שבע שיטות שונות של למידת מכונה לחיזוי כל אחת מארבע תכונות החוזק מתוך מרכיבי התערובת. חלק מהן היו מודלים ליניאריים פשוטים, שמניחים יחסים בקו ישר, ואחרות היו שיטות מבוססות עצים וגזירה ותמיכה וקטורית שיכולות ללכוד עיוותים וסיבובים בנתונים. הם אימנו ובדקו את המודלים באמצעות קרוס‑ולידציה קפדנית כך שכל חיזוי להערכת הביצועים נעשה על נתונים שהמודל לא ראה קודם, ושמרו סט בדיקה נפרד של תערובות אמיתיות להערכה סופית. גרדינט בוסטינג ורגרסיית מכונת וקטור התמיכה בלטו בבירור, והעניקו ניבויים מדויקים ויציבים לכל ארבעת התכונות, תוך עליונות על התאמות ליניאריות בסיסיות ונוסחאות סטנדרטיות מקודים מחקריים לבנייה, במיוחד כאשר תכולת הממוחזר הייתה גבוהה.

מציצים בתוך הקופסה השחורה

מודלים חזקים שימושיים למהנדסים רק אם ניתן לסמוך עליהם ולהבינם. כדי לפתוח את הקופסה השחורה, המחברים השתמשו בטכניקה של שיוך תכונות (feature attribution), שמודדת עד כמה כל מרכיב בתערובת דוחף את החיזוי למעלה או למטה. הם מצאו שצד החומר הקושר במתכון — כלומר יחס מים‑לצמנט וכמות הצמנט — הוא המניע הראשי של החוזק בלחיצה, במתיחה ובכיפוף. לעומת זאת, הקשיות נשלטת בעיקר על ידי המילוי עצמו, כאשר חלקיקים דקים ממוחזרים משחקים תפקיד חזק במיוחד. תכולת דק ממוחזרת גבוהה נוטה להפוך את הבטון לגמיש יותר, משום שהגרגרים הללו פחות קשיחים ונושאים שליוח ישן וחולשה. דפוסים אלה תואמים תצפיות מעבדתיות ותיקות, ומעניקים ביטחון שהמודל לומד התנהגות פיזית אמיתית ולא רעש.

מניבויים חכמים לעיצוב חכם יותר

באופן פשוט, עבודה זו מראה שכלים מבוססי נתונים יכולים לעזור למהנדסים לסנן במהירות תערובות בטון ידידותיות יותר לסביבה שכוללות הריסות ממוחזרות ועדיין עומדות בדרישות הבטיחות והביצועים. המחקר מדגים שאלגוריתמים מודרניים מסוימים מסוגלים לחזות במדויק את החוזק והקשיות של תערובת מוצעת, ויכולים להצביע אילו שינויים במים, בצמנט או בתכולת המילוי חשובים ביותר. בעוד שהתוצאות הנוכחיות מוגבלות לטווח התערובות שנמצאו במחקרים שמסד הנתונים מתבסס עליהם, ניתן להרחיב את אותו תהליך עבודה ככל שיצטברו נתונים נוספים. זה פותח דרך לכלי עיצוב פרקטיים שמנחים בונים לכיוונים ברי‑קיימא יותר של בחירות בבטון מבלי לוותר על אמינות מבנית.

ציטוט: Awoyera, P.O., Simwanda, L., Vasić, M.V. et al. Hybrid generative–ensemble approach for predicting recycled aggregate concrete strength properties. Sci Rep 16, 15205 (2026). https://doi.org/10.1038/s41598-026-42598-6

מילות מפתח: בטון ממוחזר, למידת מכונה, חוזק חומר, בנייה בת-קיימא, עיצוב מבוסס נתונים