Un approccio ibrido di machine learning per prevedere la resistenza a flessione del calcestruzzo rinforzato con fibre di alluminio di scarto

Trasformare il metallo di scarto in calcestruzzo più resistente

Ogni anno, industrie e famiglie producono montagne di ritagli di alluminio provenienti da lattine, fili e trucioli di lavorazione. Gran parte di questi rifiuti è difficile da smaltire in modo sicuro, eppure lalluminio è leggero, resistente e durevole. Questo studio esplora una domanda semplice ma di grande impatto: possiamo trasformare quei rottami in sottili fibre che rendano il calcestruzzo più ecologico e migliore nella resistenza alla flessione e alle fessure, usando modelli informatici avanzati per prevederne la resistenza?

Perché la resistenza a flessione conta

Il calcestruzzo è eccellente nel sopportare carichi di compressione, ma è molto più debole quando è sollecitato a flessione. Strade, pavimenti, impalcati di ponti e piste spesso cedono prima per flessione e fessurazione piuttosto che per schiacciamento puro. Laggiunta di fibre è un modo per aiutare il calcestruzzo a deformarsi e a mantenersi coeso allinizio della fessurazione. I ricercatori di questo lavoro si sono concentrati su fibre di alluminio di scarto ricavate da lattine e altri rottami. Hanno miscelato queste fibre nel calcestruzzo in percentuali variabili tra l1% e il 5% del volume e hanno testato la resistenza a flessione di piccole travi. Hanno trovato un chiaro punto ottimale: intorno al 3% di fibre le travi sopportavano il carico di flessione più elevato e presentavano fessure più strette e controllate; oltre quel valore, un eccesso di fibre peggiorava le prestazioni a causa dellaggregazione delle fibre e della ridotta lavorabilità del calcestruzzo fresco.

Costruire un modo più intelligente per prevedere la resistenza

Progettare un calcestruzzo con fibre di scarto non si riduce a indovinare una percentuale di fibre. Molti ingredienti—cemento, acqua, sabbia, ghiaia, polveri speciali, tempo di maturazione e contenuto di fibre—interagiscono in modi complessi. Per andare oltre il metodo prova-errore, il team ha assemblato un set di dati di 195 risultati di prova provenienti dai propri esperimenti e da studi precedenti, tutti riguardanti fibre di alluminio di scarto. Hanno poi addestrato tre diversi tipi di modelli di machine learning per prevedere la resistenza a flessione a partire da otto variabili di miscela e di maturazione di base: una Random Forest (molti alberi decisionali mediati), un modello Extreme Gradient Boosting e una Rete Neurale Artificiale ispirata alle connessioni tra cellule cerebrali. Ciascun modello è efficace nel cogliere schemi differenti nei dati.

Combinare i modelli e aprire la scatola nera

Invece di scegliere un unico modello “migliore”, i ricercatori li hanno impilati. In questo approccio ibrido, i tre modelli producono ciascuno la propria previsione e uno strato finale di combinazione impara come ponderarle per ottenere la risposta più accurata. Questo sistema impilato ha previsto la resistenza a flessione con altissima precisione: ha spiegato oltre il 99% della variabilità nei dati di addestramento e circa il 96% in test nuovi e non visti. Per evitare che il sistema rimanesse una scatola nera, hanno utilizzato uno strumento di interpretazione chiamato SHAP. Questo metodo assegna a ciascun input—come let di maturazione o il contenuto di aggregati—una quota di responsabilità per la resistenza prevista. Lanalisi ha mostrato che let di maturazione e i contenuti di aggregati erano particolarmente importanti, mentre la percentuale di fibre di alluminio, pur beneficiando, ha avuto un ruolo complessivo minore rispetto allo scheletro solido di sabbia e ghiaia che sopporta i carichi allinterno del calcestruzzo.

Cosa conta di più nella miscela

Approfondendo i risultati delle spiegazioni, lo studio ha rilevato che tempi di maturazione più lunghi aumentano costantemente la resistenza a flessione, confermando il valore di una maturazione lenta e umida nei progetti reali. Aggregati grossolani e fini insieme si sono rivelati attori chiave: le loro quantità e il bilanciamento delle dimensioni controllano come iniziano e si propagano le fessure sotto flessione. Acqua e cemento hanno un effetto più sfumato—troppa acqua indebolisce il legame tra pasta e inerti, mentre troppo cemento può rendere il materiale fragile. Le fibre in alluminio di scarto aiutano collegando le fessure e migliorando la capacità del calcestruzzo di sopportare tensioni, ma solo fino a circa il 3% in volume; oltre tale soglia, la miscela diventa più difficile da posare e meno uniforme, annullando i benefici di un rinforzo aggiuntivo. Le indicazioni del modello si sono tradotte in raccomandazioni pratiche su intervalli di aggregati, cemento, acqua e contenuto di fibre che gli ingegneri possono considerare nella progettazione delle miscele.

Dallintuizione di laboratorio a strutture più verdi

Per il lettore generale, il messaggio chiave è semplice: è possibile trasformare lalluminio scartato in un ingrediente utile che aiuta il calcestruzzo a resistere alla flessione, deviare i rifiuti dalle discariche e ridurre la necessità di nuove fibre dacciaio. Accoppiando esperimenti accurati con un sistema di apprendimento multi-modello trasparente, i ricercatori hanno creato una sorta di “calcolatore” in grado di prevedere quanto sarà resistente una certa miscela con fibre di scarto e di spiegare perché. I risultati suggeriscono che una miscela ben progettata con circa il 3% di fibre di alluminio di scarto può migliorare la resistenza a flessione, ridurre i costi dei materiali e abbassare limpatto ambientale. Se portato su scala e perfezionato con più dati, questo approccio potrebbe aiutare gli ingegneri a impiegare con fiducia i rottami industriali nelle opere di uso quotidiano, rendendo ponti, pavimentazioni e solai sia più robusti sia più sostenibili.

Citazione: Boursas, F., Boufarh, R., Altowaijri, Y. et al. A hybrid machine learning approach for predicting the flexural strength of concrete reinforced with waste aluminium fibres. Sci Rep 16, 10763 (2026). https://doi.org/10.1038/s41598-026-41961-x

Parole chiave: fibre di alluminio di scarto, resistenza a flessione, calcestruzzo sostenibile, modelli di machine learning, materiali da costruzione riciclati