Predizione della resistenza a compressione del calcestruzzo con aggregati riciclati carbonatati usando modelli di machine learning basati su regressione

Trasformare il vecchio calcestruzzo in un alleato climatico

Ogni anno le città demolicono grandi quantità di calcestruzzo, inviando frammenti alle discariche e richiedendo nuova pietra alle cave. Questo studio esplora un modo per chiudere il ciclo: prendere calcestruzzo di scarto frantumato, usarlo per sequestrare anidride carbonica e poi prevedere quanto sarà resistente il nuovo calcestruzzo più ecologico impiegando moderni strumenti di machine learning. Per chi si interessa di città a basso impatto climatico e di uso più intelligente dei dati, questo lavoro mostra come l’intelligenza artificiale possa aiutare gli ingegneri a progettare edifici più sicuri e sostenibili partendo dalle macerie di ieri.

Perché riutilizzare il calcestruzzo è importante

Il calcestruzzo è ovunque—strade, ponti, grattacieli—e la sua produzione consuma grandi quantità di roccia naturale ed energia, oltre a emettere rilevanti volumi di CO₂. Gli aggregati di calcestruzzo riciclato, ottenuti frantumando calcestruzzo vecchio, possono alleviare questo onere riducendo l’escavazione e gli sprechi in discarica. C’è però un problema: questi frammenti riciclati portano spesso con sé residui di pasta cementizia sulla superficie, che li rende più porosi e più deboli rispetto alla pietra naturale. Ciò si traduce spesso in un calcestruzzo nuovo meno resistente e meno durevole, una preoccupazione seria per la sicurezza strutturale.

Rendere il calcestruzzo di scarto più resistente con CO₂

Per affrontare questo problema, i ricercatori si sono rivolti alla carbonatazione, un processo in cui la CO₂ viene introdotta deliberatamente per reagire con i composti della vecchia pasta cementizia. All’interno delle particelle riciclate, il gas forma minerali solidi che riempiono i pori, restringono microfessure e rafforzano le zone di contatto che tengono insieme il nuovo calcestruzzo. Questo non solo migliora la qualità del materiale—aumentando la densità e riducendo l’assorbimento d’acqua—ma immagazzina anche CO₂ all’interno del calcestruzzo, trasformando sostanzialmente lo scarto in un piccolo pozzo di carbonio. Lo studio si è concentrato sul calcestruzzo realizzato con questi aggregati riciclati carbonatati e ha posto una domanda chiave: possiamo prevedere con precisione quanto sarà resistente questo calcestruzzo più verde senza eseguire test di laboratorio infiniti?

Insegnare ai computer a prevedere la resistenza

Gli autori hanno assemblato 108 campioni di calcestruzzo misurati con cura provenienti da esperimenti precedenti. Per ciascuno hanno registrato come era composto l’impasto (ad esempio il rapporto acqua/cemento e la quantità di aggregato fine e grosso usata), la qualità degli aggregati (assorbimento d’acqua e resistenza alla frantumazione), la resistenza del calcestruzzo «parentale» originale, quanto CO₂ avevano assorbito i pezzi riciclati e quale frazione di pietra naturale era stata sostituita da materiale riciclato. Hanno quindi addestrato diversi modelli di machine learning di tipo regressivo—che vanno da formule lineari semplici a più flessibili alberi decisionali e ensemble—per apprendere il legame tra questi input e la resistenza a compressione risultante.

Sciogliere le miscele complesse con modelli intelligenti

Molti degli ingredienti misurati risultavano fortemente correlati tra loro, situazione che può confondere i metodi statistici tradizionali. Per semplificare, il team ha combinato gruppi di variabili correlate in due indici compositi: uno che descriveva la proporzione complessiva della miscela e un altro che riassumeva le prestazioni degli aggregati. Hanno poi confrontato modelli addestrati sui dati dettagliati completi con modelli basati su questi indici compatti. Gli approcci lineari semplici hanno funzionato discretamente ma hanno faticato a gestire le relazioni curve e intrecciate nei dati. Al contrario, i metodi ensemble basati su alberi—alberi decisionali, foreste casuali e LightGBM—hanno catturato questi schemi con notevole precisione, mantenendo errori tipici di previsione poco sopra 1 megapascal di resistenza e spiegando più del 99% della variazione osservata nei test.

Cosa conta di più per un calcestruzzo verde e resistente

Per aprire la «scatola nera» dei modelli migliori, i ricercatori hanno usato SHAP, una tecnica che mostra quanto ciascun input tende a spingere le previsioni verso l’alto o verso il basso. Hanno scoperto che la proporzione dell’impasto—in particolare l’equilibrio tra cemento, aggregati e acqua—è il fattore dominante che controlla la resistenza. Il grado di carbonatazione negli aggregati riciclati ha anch’esso un ruolo importante ma non lineare: un trattamento con più CO₂ tende generalmente ad aiutare, ma il suo effetto dipende dalla qualità del calcestruzzo parentale originale. L’indicatore combinato delle prestazioni degli aggregati ha un’influenza moderata, mentre aumentare semplicemente la percentuale di aggregati riciclati conta meno rispetto a una corretta progettazione della miscela e del trattamento.

Dai dati di laboratorio al progetto pratico

In parole semplici, questo studio mostra che il calcestruzzo con aggregati riciclati carbonatati può essere sia attento al clima sia resistente—purché la sua ricetta venga calibrata con cura. Il machine learning moderno, in particolare i modelli ensemble basati su alberi, può prevedere con precisione la resistenza a partire da un insieme gestibile di parametri di miscela e materiali, riducendo la necessità di prove laboriose per ogni nuova combinazione. Per ingegneri e pianificatori, ciò significa che è sempre più realistico progettare strutture che riutilizzino calcestruzzo esistente, sequestrino CO₂ e soddisfino comunque rigorosi standard di sicurezza, con strumenti guidati dai dati a indicare la strada.

Citazione: 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

Parole chiave: calcestruzzo riciclato, carbonatazione, apprendimento automatico, resistenza a compressione, costruzione sostenibile