Modellare le proprietà meccaniche del calcestruzzo gommato con gene expression programming (GEP) e random forest: uno studio comparativo

Trasformare i pneumatici usati in edifici più robusti e sostenibili

Ogni anno miliardi di pneumatici raggiungono la fine della loro vita e spesso finiscono in discariche o cumuli abusivi, dove rappresentano rischi di incendio e inquinamento. Allo stesso tempo, l’industria delle costruzioni consuma grandi quantità di sabbia, ghiaia ed energia, contribuendo in modo significativo al cambiamento climatico. Questo studio esplora un modo per affrontare entrambi i problemi contemporaneamente: macinare pneumatici fuori uso e usare la gomma ottenuta nel calcestruzzo, quindi impiegare strumenti computazionali avanzati per prevedere quanto sarà resistente questo nuovo calcestruzzo "gommato" senza dover eseguire infiniti test di laboratorio.

Perché inserire la gomma nel calcestruzzo?

Il calcestruzzo è la spina dorsale delle infrastrutture moderne, ma la produzione dei suoi componenti, in particolare del cemento e degli aggregati naturali, è ad alta intensità energetica e consuma risorse naturali. Sostituendo parte di sabbia e ghiaia con frammenti di gomma ricavati da pneumatici fuori uso, gli ingegneri possono ridurre la domanda di materiali vergini e tenere i pneumatici scartati fuori dalle discariche. Le particelle di gomma possono anche conferire al calcestruzzo caratteristiche utili: assorbire gli urti, attenuare il rumore e migliorare la resistenza all’usura e alle variazioni di temperatura. Tuttavia, l’aggiunta di gomma tende in genere a ridurre la capacità del calcestruzzo di resistere alla fessurazione e alla trazione. Misurare esattamente quanta resistenza si perde o si recupera per ogni variazione di miscela richiede tradizionalmente numerosi esperimenti lunghi e costosi.

Lasciare che i computer apprendano dagli esperimenti passati

Per evitare di testare manualmente ogni possibile miscela, i ricercatori si sono rivolti all’apprendimento automatico—metodi computazionali che individuano modelli nei dati. Hanno raccolto 112 serie di risultati sperimentali provenienti da studi di tutto il mondo, tutti relativi al calcestruzzo gommato. Ogni punto dati descriveva una ricetta unica, inclusi quantitativi di aggregati grossolani e fini, gomma in pezzi e polverizzata, additivi chimici detti superfluidificanti, rapporto acqua–cemento e l’età del calcestruzzo. Per ciascuna miscela sono state registrate due proprietà chiave: resistenza a flessione (quanto bene una trave resiste alla flessione) e resistenza a trazione indiretta (split tensile, quanto resiste a essere tirata apart). Con questo database combinato, il team ha addestrato due diversi modelli di apprendimento automatico affiancati per valutare quale fosse più efficace nel prevedere queste resistenze.

Due modi diversi in cui un computer può “pensare”

Il primo metodo, gene expression programming, funziona un po’ come l’evoluzione in natura. Parte da molte formule matematiche casuali e le migliora gradualmente imitando mutazione e ricombinazione, arrivando infine a produrre equazioni leggibili dall’uomo che collegano gli ingredienti della miscela alla resistenza. Il secondo metodo, random forest, costruisce una grande raccolta di alberi decisionali—modelli semplici basati su regole—e lascia che essi "votino" sulla resistenza prevista. Mentre il random forest si comporta più come una scatola nera, spesso è molto accurato. Entrambi i modelli sono stati accuratamente ottimizzati e valutati usando statistiche standard che confrontano le resistenze previste con i valori misurati in laboratorio per miscele che i modelli non avevano mai visto prima.

Cosa hanno appreso i modelli sul calcestruzzo gommato

Entrambi gli approcci hanno colto il comportamento generale del calcestruzzo gommato, ma il random forest si è rivelato più accurato. Per i dati di test non visti, ha riprodotto le resistenze a flessione e a trazione con valori di correlazione prossimi a un accordo quasi perfetto, nettamente migliori rispetto al gene expression programming. Le analisi degli errori hanno mostrato che la maggior parte delle previsioni rientrava in un margine modesto rispetto ai valori reali, con solo pochi outlier. Per aprire la scatola nera, il team ha utilizzato uno strumento chiamato SHAP, che assegna a ciascun ingrediente una quota di responsabilità per ogni previsione. Questo ha rivelato che gli aggregati tradizionali e il rapporto acqua–cemento influenzano fortemente la resistenza a flessione, mentre la quantità e il tipo di gomma, insieme a superfluidificante e contenuto d’acqua, giocano ruoli chiave nella resistenza a trazione. In generale, maggiore era la quantità di gomma e di acqua, maggiore tendeva a essere la riduzione di resistenza, mentre aggregati e additivi bilanciati potevano recuperare parte delle prestazioni.

Cosa significa questo per l’edilizia futura

Per i non specialisti, la conclusione principale è che è realisticamente possibile progettare calcestruzzi più ecologici che riciclano pneumatici usati senza procedere alla cieca. Lo studio dimostra che modelli computazionali intelligenti, in particolare le random forest, possono prevedere in modo affidabile come le modifiche a una ricetta di calcestruzzo gommato influenzeranno il comportamento alla fessurazione e alla flessione, utilizzando solo una manciata di input facilmente misurabili. Ciò significa che gli ingegneri possono ridurre i costosi test per tentativi, accelerare l’adozione di materiali a base di rifiuti e specificare miscele con maggiore fiducia, bilanciando benefici ambientali con sicurezza e durabilità. A lungo termine, tali strumenti potrebbero contribuire a trasformare montagne di pneumatici scartati in ponti, pavimentazioni ed edifici sicuri, riducendo sia le discariche sia l’impronta di carbonio delle costruzioni.

Citazione: Sheraz, M., Talha, M., Alam, M. et al. Modeling mechanical properties of rubberized concrete using gene expression programming (GEP) and random forest: a comparative study. Sci Rep 16, 8714 (2026). https://doi.org/10.1038/s41598-026-40897-6

Parole chiave: calcestruzzo gommato, riciclo di pneumatici fuori uso, apprendimento automatico in edilizia, modellazione con random forest, materiali sostenibili