Previsione della resistenza a compressione di malte contenenti vetro CRT riciclato mediante i metodi GMDH e GEP

Trasformare vecchi televisori in blocchi da costruzione più sicuri e resistenti

Milioni di televisori e monitor a tubo catodico (CRT) dismessi si accumulano nelle discariche in tutto il mondo. Il loro vetro pesante contiene una notevole quantità di piombo, che può filtrare nel suolo e nelle acque. Questo studio esplora un modo per inglobare in modo sicuro quel vetro pericoloso all’interno di malte per costruzione, mantenendo comunque il materiale sufficientemente resistente per un uso reale. Combinando il riciclo con la modellizzazione moderna basata sui dati, i ricercatori mostrano come potremmo trasformare un flusso di rifiuti tossici in un ingrediente utile per edifici più verdi e persino pareti schermanti dalle radiazioni.

Perché il vetro degli schermi è un problema e un’opportunità

Il vetro CRT è particolarmente denso e contiene circa il 20–25% di ossido di piombo. Se frantumato e smaltito, questo piombo può lentamente venire dilavato e contaminare l’ambiente. Esperimenti precedenti hanno mostrato che, quando il vetro CRT viene incorporato in malte a base di cemento, il fluido alcalino dei pori del cemento contribuisce a immobilizzare i metalli pesanti, riducendone nettamente la lisciviazione. Allo stesso tempo, l’elevata densità del vetro può migliorare la schermatura ai raggi X e alle radiazioni. Il rovescio della medaglia è che sostituire la sabbia naturale con vetro CRT riciclato (RCRT) spesso indebolisce la malta perché le lisce particelle di vetro aderiscono poco alla matrice circostante. Gli ingegneri si trovano quindi a bilanciare benefici ambientali, prestazioni di schermatura e resistenza meccanica.

Dai costosi test di laboratorio alla previsione intelligente

Progettare miscele di malta che trovino il giusto equilibrio ha richiesto tipicamente molti test di laboratorio per tentativi ed errori, lenti e costosi. Le ricerche precedenti riportavano per lo più risultati di singoli test e talvolta utilizzavano formule statistiche tradizionali per prevedere la resistenza, ma questi approcci faticavano a cogliere le complesse interazioni non lineari tra gli ingredienti della miscela. In particolare, nessun lavoro precedente aveva costruito modelli predittivi specificamente dedicati alle malte contenenti vetro RCRT, e la maggior parte degli studi moderni di machine learning si era concentrata su altri materiali riciclati o aveva impiegato algoritmi «scatola nera» che offrono scarsa comprensione di come ogni ingrediente influisca sulla resistenza. Questo studio ha voluto colmare quella lacuna usando modelli interpretabili basati su equazioni.

Come i ricercatori hanno addestrato i modelli

Il team ha compilato un database di 139 campioni di malta realizzati con diverse proporzioni di acqua, cemento, cenere volante, sabbia naturale, vetro RCRT e differenti tempi di maturazione. Hanno prima pulito i dati rimuovendo gli outlier e standardizzando le scale di tutte le variabili. Sono stati quindi addestrati due metodi soft-computing definiti «white-box» per prevedere la resistenza a compressione: il Group Method of Data Handling (GMDH), che costruisce una rete multilivello di semplici equazioni polinomiali, e il Gene Expression Programming (GEP), che evolve formule matematiche ispirate alla genetica. Entrambi i metodi producono equazioni esplicite che gli ingegneri possono inserire in calcolatori o fogli di calcolo invece di codice opaco. I dati sono stati divisi in set di addestramento e di test, e i modelli sono stati inoltre verificati con una validazione incrociata a cinque fold per valutarne la stabilità.

Quale metodo ha vinto e cosa conta di più

Il modello GMDH ha nettamente superato sia il modello GEP sia i metodi di regressione classici. Su dati di test non visti, il GMDH ha raggiunto un coefficiente di determinazione (R²) di 0,942, con bassi errori di previsione, il che significa che le resistenze calcolate corrispondevano strettamente alle misure di laboratorio. Il GEP ha dato risultati discreti ma ha mostrato maggiore dispersione e errori più elevati, mentre regressioni lineari e non lineari semplici non hanno catturato gran parte della complessità sottostante. Per capire quali ingredienti influenzassero maggiormente la resistenza, i ricercatori hanno utilizzato uno strumento moderno di spiegazione chiamato SHAP. È emerso che il contenuto di acqua era il fattore dominante: un eccesso di acqua tende a creare porosità aggiuntiva e ridurre la resistenza. Il tempo di maturazione è risultato il secondo fattore—maggiori tempi di stagionatura consentono più reazioni di idratazione e malte più resistenti. Il contenuto di cemento ha avuto un effetto moderato, mentre le quantità di vetro RCRT e di sabbia hanno svolto ruoli più piccoli e secondari nell’intervallo di miscele studiato.

Cosa significa per costruzioni più sostenibili

Per il lettore generale, la conclusione chiave è che sembra sia sicuro e pratico riciclare quantità moderate di vetro CRT nelle malte cementizie senza compromettere gravemente la resistenza, a condizione che la miscela sia progettata con cura. Le equazioni GMDH forniscono agli ingegneri uno strumento affidabile e di facile uso per prevedere quanto sarà resistente una data malta ricca di RCRT prima di miscelare una sola partita. Poiché il metodo è trasparente, i progettisti possono anche vedere come la variazione di acqua, cemento o tempo di maturazione influenzerà le prestazioni e compensare la piccola perdita di resistenza dovuta al vetro. In sintesi, lo studio dimostra che combinare il riciclo dei rifiuti industriali con modelli di machine learning interpretabili può aiutare a trasformare rifiuti elettronici pericolosi in un ingrediente prevedibile e strutturalmente valido per materiali da costruzione sostenibili e persino schermanti dalle radiazioni.

Citazione: Ghorbani, V., Seyedkazemi, A. & Kutanaei, S.S. Predicting compressive strength of mortars containing recycled CRT glass using GMDH and GEP methods. Sci Rep 16, 6655 (2026). https://doi.org/10.1038/s41598-026-36553-8

Parole chiave: vetro CRT riciclato, resistenza delle malte cementizie, costruzione sostenibile, modelli di machine learning, materiali per schermatura dalle radiazioni