Prevedere la resistenza a compressione del calcestruzzo usando deep learning ottimizzato e large language model

Perché è importante per edifici più sicuri e sostenibili

Il calcestruzzo sostiene le nostre case, i ponti e le gallerie, ma misurarne la resistenza richiede di norma settimane di prove di laboratorio. Questo studio esplora come l’intelligenza artificiale avanzata possa prevedere rapidamente e con precisione la resistenza del calcestruzzo a partire solo dalla sua ricetta. Previsioni più veloci e affidabili potrebbero aiutare gli ingegneri a progettare strutture più sicure, ridurre il dispendioso approccio basato su tentativi ed errori in laboratorio e facilitare l’uso di ingredienti a basso contenuto di carbonio come sottoprodotti industriali.

Dai dati di laboratorio disordinati agli ingredienti digitali puliti

I ricercatori partono da un ampio dataset pubblico di miscele di calcestruzzo. Ogni voce indica quanto cemento, slag, cenere volante, acqua, additivi chimici, sabbia, ghiaia e tempo di stagionatura sono stati usati, insieme alla resistenza finale misurata. Dati reali di questo tipo sono spesso incoerenti: possono mancare misure, le unità possono variare e possono comparire outlier strani. Per affrontare questi problemi, il team usa large language model—sistemi di IA a uso generale tipicamente impiegati per il testo—per aiutare a pulire e ristrutturare i dati. Questi modelli guidano attività come il controllo degli intervalli, la riconciliazione di nomi e unità, la creazione di quantità derivate significative come il rapporto acqua/legante e la gestione degli outlier. L’obiettivo è trasformare un foglio di calcolo rumoroso in una descrizione coerente e consapevole della fisica di ogni miscela che gli algoritmi di apprendimento possano assimilare.

Insegnare a una rete a vedere miscela e tempo insieme

La resistenza del calcestruzzo non dipende solo da ciò che entra nell’impasto; riguarda anche come la resistenza cresce nei giorni e nelle settimane durante la maturazione. Molti strumenti di previsione precedenti si sono concentrati o sugli ingredienti o sulle tendenze temporali, ma raramente su entrambi contemporaneamente. Questo lavoro usa una rete convoluzionale grafica spazio‑temporale, un tipo di modello che tratta ogni ingrediente (come cemento, acqua, slag o additivi) come un nodo in una rete, con connessioni che riflettono quanto interagiscono fra loro. Allo stesso tempo osserva l’asse temporale per imparare come queste combinazioni acquisiscono resistenza con l’età. Di fatto, il modello apprende schemi come “alto contenuto di cemento e basso contenuto d’acqua porta tipicamente a una resistenza più rapida e maggiore”, catturando al contempo ruoli più sottili di slag, cenere e agenti chimici in diversi periodi di stagionatura.

Lascare che un ottimizzatore “simile a umano” regoli l’IA

Anche reti neurali potenti possono rendere poco se i loro parametri interni—come il learning rate, il numero di strati o le dimensioni dei filtri—sono scelti male. Invece di tararli manualmente, gli autori usano un nuovo metodo di ottimizzazione chiamato iHow Optimization Algorithm. Ispirato a come le persone apprendono, questo alterna un’ampia esplorazione di molti possibili progetti con un affinamento mirato dei più promettenti, mantenendo una sorta di memoria interna di ciò che ha funzionato finora. Questo ottimizzatore esplora lo spazio dei design di rete e delle impostazioni di addestramento per il modello basato su grafo, mirando a minimizzare l’errore di previsione evitando l’overfitting. La stessa famiglia di idee di ottimizzazione è anche usata per la selezione delle feature, riducendo la lista di input alle quantità più informative e mantenendo il modello compatto e interpretabile.

Quanto funziona rispetto ad altri strumenti di IA?

Il team esegue confronti estesi con un’ampia gamma di alternative: reti profonde standard, transformer in stile visione, autoencoder variazionali, reti informate dalla fisica e diversi meta‑euristici di ottimizzazione come lo swarm di particelle e gli algoritmi genetici. Testano inoltre quattro pipeline di preprocessing distinte guidate da diversi language model, dimostrando che una pulizia e una creazione delle feature migliori migliorano sensibilmente l’accuratezza finale. In tutti questi test, la combinazione dell’ottimizzazione iHow con la rete grafica spazio‑temporale offre gli errori di previsione più bassi e la massima concordanza con le resistenze misurate. Verifiche statistiche, inclusa l’analisi della varianza e test non parametrici sui ranghi, confermano che questi miglioramenti difficilmente siano dovuti al caso.

Cosa significa per la pratica costruttiva futura

In termini semplici, lo studio dimostra che un modello IA basato su grafi, accuratamente ottimizzato e alimentato con dati ben puliti, può prevedere la resistenza del calcestruzzo in modo molto più affidabile rispetto ad approcci precedenti. Coglie come ingredienti e tempo di stagionatura interagiscono e utilizza un ottimizzatore di tipo “imparare a imparare” per affinare se stesso. Pur sottolineando che il metodo va ancora testato su dataset più diversi e reali prima di essere integrato nei codici edilizi o nei sistemi di controllo degli impianti, indica già un futuro in cui gli ingegneri potranno esplorare progetti di miscele più ecologiche al computer, con la fiducia che le resistenze previste corrisponderanno strettamente a quelle misurate in laboratorio o in cantiere.

Citazione: Zaman, S., Eid, M.M., Mattar, E.A. et al. Predicting concrete compressive strength using optimized deep learning and large language models. Sci Rep 16, 11076 (2026). https://doi.org/10.1038/s41598-026-41072-7

Parole chiave: predizione della resistenza del calcestruzzo, deep learning nell'edilizia, reti neurali grafiche, algoritmi di ottimizzazione, materiali per calcestruzzo sostenibili