Framework di apprendimento automatico guidato dalla fisica per calcestruzzo con aggregato riciclato tramite database sperimentale, modellazione e validazione statistica

Trasformare il vecchio calcestruzzo in una nuova risorsa

Ogni anno, miliardi di tonnellate di calcestruzzo frantumato da edifici e strade demoliti vengono trattate come rifiuto, nonostante gran parte potrebbe essere riutilizzata. Questo studio esplora come trasformare quelle macerie in nuovo calcestruzzo affidabile combinando accurate prove di laboratorio con moderne tecniche di apprendimento automatico. L’obiettivo è rendere la costruzione più sostenibile senza compromettere la sicurezza, imparando esattamente quanta materia riciclata può essere impiegata e in quali condizioni.

Perché il riutilizzo del calcestruzzo non è semplice

L’aggregato riciclato per calcestruzzo deriva dalla frantumazione del calcestruzzo esistente in pezzi più piccoli che possono sostituire ghiaia e sabbia normalmente estratte per le nuove costruzioni. Il suo impiego riduce rifiuti, attività di cava e emissioni legate al trasporto. Tuttavia, queste particelle riciclate conservano residui di vecchio cemento e microfessure, risultando più porose e meno uniformi della pietra naturale. Di conseguenza, il calcestruzzo realizzato con aggregato riciclato può perdere resistenza e diventare più difficile da prevedere. Gli ingegneri hanno bisogno di regole chiare e attendibili su come diverse percentuali, pezzature e qualità dell’aggregato riciclato influenzino la resistenza del nuovo calcestruzzo.

Costruire un quadro sperimentale ricco

Per rispondere a queste domande, i ricercatori hanno eseguito una serie completa di miscele di calcestruzzo utilizzando materiale riciclato proveniente da sei classi di resistenza originale diverse, che vanno dal molto debole al calcestruzzo strutturale resistente. Hanno separato gli aggregati riciclati in tre classi di pezzatura—fini, medi e di dimensione ghiaiosa—e li hanno impiegati per sostituire dal 10% al 50% dell’aggregato naturale, mantenendo costanti condizioni d’acqua e cemento. Per ogni miscela hanno misurato la resistenza a compressione (quanto carico di schiacciamento sopporta), la resistenza a trazione per spaccamento (comportamento a trazione) e la resistenza a flessione (come si flette). In tutti i test, la resistenza diminuiva con l’aumentare della quantità di aggregato riciclato, ma l’entità della perdita dipendeva fortemente sia dalla pezzatura che dalla qualità del calcestruzzo di origine. Le particelle riciclate fini, con più materiale di malta aderente e porosità, hanno influito maggiormente sulla perdita di resistenza, mentre le particelle più grossolane e di dimensione ghiaiosa risultavano meno dannose.

Trovare limiti sicuri e fattori chiave

I risultati sperimentali hanno messo in luce regole di progettazione utili per la pratica costruttiva. Quando il materiale riciclato proveniva da calcestruzzo di bassa resistenza, sostituire il 30% dell’aggregato naturale portava a perdite percentuali a due cifre sia nella resistenza a compressione sia in quella a trazione, specialmente con particelle fini. Al contrario, quando l’aggregato riciclato derivava da calcestruzzo ad alta resistenza, le perdite a un riciclo del 30% erano contenute e le prestazioni complessive restavano accettabili per uso strutturale. In molte serie è emerso un “punto di svolta” coerente: miscele con 10% o 20% di aggregato riciclato generalmente mantenevano una buona resistenza, mentre superare circa il 30% comportava un calo evidente, particolarmente per materiali di origine più deboli e frazioni più fini. Questi schemi sono in linea con studi precedenti e dimostrano che non tutti gli aggregati riciclati sono uguali—qualità e pezzatura fanno la differenza.

Insegnare alle macchine a rispettare la fisica

Poiché eseguire test di laboratorio illimitati non è pratico, il gruppo ha impiegato il machine learning per prevedere la resistenza di nuove combinazioni non testate fisicamente. Invece di fornire al computer solo dati grezzi, hanno introdotto quello che chiamano un framework guidato dalla fisica. Innanzitutto hanno pulito e organizzato con cura i risultati sperimentali, quindi hanno creato ulteriori punti dati “sintetici” spostando lievemente i parametri delle miscele e le resistenze entro limiti ristretti e realistici che riflettono la variabilità tipica di laboratorio. Successivamente hanno usato un metodo avanzato di oversampling per colmare i vuoti tra le miscele testate, ma solo lungo direzioni che avevano senso fisico. Questi dataset arricchiti hanno addestrato due popolari modelli ensemble, XGBoost e LightGBM, insieme a semplici equazioni surrogate lineari che riassumono le tendenze dominanti in una forma che gli ingegneri possono facilmente usare.

Quanto bene funzionano le previsioni

Una volta addestrati, i modelli sono stati valutati su miscele completamente nuove non viste prima. Le loro previsioni per la resistenza a compressione e a trazione coincidevano strettamente con le misure, con errori entro l’intervallo comunemente osservato nelle prove di laboratorio ripetute. I modelli si sono dimostrati particolarmente accurati per la resistenza a trazione, dove il pattern di degrado con l’aumento dell’aggregato riciclato è più regolare e più facile da catturare. È importante che gli autori abbiano verificato che i cali di resistenza predetti con l’aumento del contenuto riciclato non fossero fluttuazioni statistiche: test statistici standard hanno mostrato che queste tendenze sono solide e altamente significative. Confrontando versioni dei modelli con e senza l’espansione dei dati guidata dalla fisica, hanno riscontrato che l’approccio guidato produceva punteggi di accuratezza leggermente meno impressionanti, ma un comportamento molto più stabile e realistico, in particolare nelle regioni ad alta sostituzione e povere di dati.

Cosa significa per costruzioni più verdi

In termini pratici, questo lavoro mostra che è possibile usare modelli computazionali per progettare miscele di calcestruzzo più ecologiche che si basano su materiale riciclato, senza trattare la fisica sottostante come una nota a margine. Lo studio conferma che quantità moderate di aggregato riciclato di alta qualità—specialmente particelle più grossolane provenienti da calcestruzzo d’origine resistente—possono sostituire in sicurezza una porzione significativa di aggregato naturale. Allo stesso tempo, dimostra un modo perché il machine learning resti ancorato al comportamento reale rispettando limiti e tendenze note. Questo tipo di strumento predittivo consapevole della fisica può aiutare gli ingegneri a prendere decisioni migliori e più rapide sulla progettazione delle miscele, favorendo l’adozione più ampia del calcestruzzo riciclato mantenendo le strutture sicure e affidabili.

Citazione: Mohamud, M.A., Alasiri, M.R., Özdöner, N. et al. Physics-guided machine learning framework for RCA concrete by experimental database, modelling, and statistical validation. Sci Rep 16, 7907 (2026). https://doi.org/10.1038/s41598-026-38554-z

Parole chiave: aggregato riciclato per calcestruzzo, costruzione sostenibile, machine learning nei materiali, progettazione delle miscele guidata dai dati, predizione della resistenza del calcestruzzo