Valutazione dell'accuratezza predittiva di modelli di apprendimento supervisionato per esplorare la resistenza meccanica del calcestruzzo contenente scoria d'altoforno

Perché un calcestruzzo più intelligente è importante

Il calcestruzzo definisce le nostre città, ma la produzione del cemento che lo tiene insieme rilascia grandi quantità di anidride carbonica—circa l'8% delle emissioni globali. Un modo promettente per ridurre questa impronta è sostituire parte del cemento ordinario con sottoprodotti industriali come la scoria d'altoforno, un materiale vetroso derivato dalla produzione dell'acciaio. Il problema è che trovare la miscela giusta per ottenere un calcestruzzo forte, durevole e a bassa emissione di carbonio richiede di solito mesi di prove di laboratorio. Questo studio mostra come l'apprendimento automatico moderno possa svolgere gran parte di quel lavoro di prova e errore in forma virtuale, accelerando la progettazione di calcestruzzi più verdi.

Un ingrediente più pulito dalla produzione dell'acciaio

La scoria d'altoforno si produce quando il minerale di ferro viene fuso per ottenere ghisa. Quando questo sottoprodotto fuso viene raffreddato rapidamente e macinato in una polvere fine, si comporta come un cemento a lenta azione. Miscelata nel calcestruzzo, reagisce con i composti formati durante l'idratazione del cemento per creare gel legante supplementare, che riduce i pori interni. I benefici sono tripli: serve meno cemento (riducendo le emissioni di CO₂), l'attacco chimico da sali e acidi è più resistente e la resistenza continua a crescere per periodi più lunghi. Ma le prestazioni dipendono in modo sensibile da quanto scoria viene aggiunta, da come interagisce con gli altri materiali e dal tempo di stagionatura del calcestruzzo.

Trasformare esperimenti sparsi in un unico dataset

Invece di eseguire nuovi test di laboratorio per ogni possibile miscela, i ricercatori hanno esaminato studi precedenti e dataset aperti sui calcestruzzi contenenti scoria. Hanno assemblato 675 record di dati, ciascuno descrivente una ricetta di calcestruzzo e la sua resistenza a compressione misurata (la pressione che sopporta prima di schiacciarsi). Sono stati monitorati otto ingredienti e condizioni chiave: quantità di cemento, scoria d'altoforno, cenere volante, aggregati grossolani e fini, acqua, un additivo riducente d'acqua ad alta portata chiamato superfluidificante, e l'età di stagionatura in giorni. Tutti i valori sono stati controllati, standardizzati in unità comuni, puliti da errori evidenti e ridimensionati in modo che i modelli di apprendimento automatico potessero confrontare le variabili su basi equivalenti.

Addestrare le macchine a predire la resistenza del calcestruzzo

Con questo database a disposizione, il team ha addestrato sei diversi modelli di apprendimento supervisionato per prevedere la resistenza a compressione a partire dalla formulazione: AdaBoost, un singolo albero decisionale, Gradient Boosting, k-Nearest Neighbors e due metodi avanzati basati su alberi noti come LightGBM e XGBoost. Hanno usato l'80% dei dati per l'addestramento e il 20% per testare quanto bene ogni modello gestisse ricette nuove e non viste. Per evitare l'overfitting—quando un modello memorizza i dati passati ma fallisce nella pratica—hanno messo a punto sistematicamente i parametri dei modelli con grid search e cross-validation, quindi hanno valutato le prestazioni usando misure standard di accuratezza come il coefficiente di determinazione (R²) e varie statistiche di errore.

Cosa controlla la resistenza nelle miscele più verdi

I due modelli più performanti, LightGBM e XGBoost, hanno riprodotto con alta precisione le resistenze di laboratorio, spiegando oltre il 94% della variazione nei dati di test. Per rendere comprensibili questi modelli “scatola nera”, gli autori hanno applicato SHAP (un metodo che assegna a ogni input una quota della previsione) e grafici di dipendenza parziale, che mostrano come la variazione di una singola variabile sposti la resistenza prevista mentre le altre rimangono costanti. Questi strumenti hanno rivelato che l'età di stagionatura ha l'effetto positivo maggiore: una stagionatura più lunga corrisponde sistematicamente a un calcestruzzo più resistente. Superfluidificante e contenuto di cemento sono risultati i successivi fattori più influenti, aumentando la resistenza migliorando l'impaccamento e riducendo l'acqua superflua. L'acqua stessa ha mostrato un forte effetto negativo—troppa acqua indebolisce la miscela—mentre la scoria d'altoforno aiutava fino a un certo punto, poi tendeva a stabilizzarsi.

Trovare il punto ottimale per la scoria

Scansionando i modelli attraverso diversi contenuti di scoria, i ricercatori hanno identificato una finestra di sostituzione ottimale: quando la scoria d'altoforno rappresentava circa il 30–40% del materiale cementizio totale, il calcestruzzo tendeva a raggiungere resistenze a compressione più elevate, specialmente a età di stagionatura di 28 giorni e oltre. Spingere la scoria a percentuali molto più alte, in particolare oltre il 50%, spesso rallentava la crescita precoce della resistenza, che può essere critica per i tempi di cantiere. Queste intuizioni, estratte da molti piccoli studi, offrono indicazioni pratiche: gli ingegneri possono mirare con fiducia a questo intervallo intermedio di scoria per bilanciare resistenza, durabilità e riduzione delle emissioni senza test esaustivi per ogni progetto.

Cosa significa per l'edilizia del futuro

Per i non specialisti, il messaggio chiave è semplice: i computer possono ora apprendere dalle sperimentazioni passate sul calcestruzzo sufficientemente bene da suggerire miscele forti e a bassa emissione di carbonio prima che venga versato un singolo lotto. In questo lavoro, il modello LightGBM è risultato leggermente più accurato di XGBoost, ma entrambi erano abbastanza precisi e interpretabili da mostrare quali ingredienti contano di più e dove la scoria rende meglio. Questa combinazione di velocità e trasparenza permette ai progettisti di ridurre tempi, costi e sprechi di materiale sfruttando meglio i sottoprodotti industriali. Con dataset sempre più ampi e standardizzati, tali strumenti potrebbero aiutare l'industria delle costruzioni a ridurre il proprio impatto climatico mantenendo strutture sicure e durevoli.

Citazione: Sobuz, M.H.R., Majumder, S., Afrin, M.S. et al. Evaluating the predictive accuracy of supervised machine learning models to explore the mechanical strength of blast furnace slag incorporated concrete. Sci Rep 16, 6712 (2026). https://doi.org/10.1038/s41598-026-36437-x

Parole chiave: calcestruzzo con scoria d'altoforno, apprendimento automatico, resistenza a compressione, costruzione sostenibile, sostituzione del cemento