Approccio ibrido generativo–ensemble per predire le proprietà di resistenza del calcestruzzo con aggregati riciclati

Perché questa ricerca è importante per il nostro ambiente costruito

Il calcestruzzo è ovunque nella vita moderna, ma la sua produzione consuma grandi quantità di sabbia, pietrame e cemento e immette anidride carbonica nell’atmosfera. Un modo promettente per ridurre questo impatto è riutilizzare il calcestruzzo frantumato proveniente da vecchie strutture come nuovo materiale da costruzione. Il problema è che il calcestruzzo realizzato con pezzi riciclati non si comporta sempre allo stesso modo del calcestruzzo fatto con materiali freschi. Questo studio mostra come gli strumenti moderni basati sui dati possano aiutare gli ingegneri a predire la resistenza di miscele più ecologiche prima ancora di colare un singolo provino.

Trasformare le macerie in risorsa

I cantieri di costruzione e demolizione generano ogni anno montagne di rifiuti di calcestruzzo. Invece di mandare queste macerie in discarica, possono essere frantumate e riutilizzate come aggregato, lo scheletro simile a ghiaia all’interno del nuovo calcestruzzo. Sostituire sabbia e pietrame naturali con pezzi riciclati aiuta a preservare risorse naturali in diminuzione e riduce l’impronta ambientale complessiva dei progetti edilizi. Tuttavia, i frammenti riciclati spesso portano residui di cemento sulle loro superfici, hanno più porosità e formano zone di contatto più deboli nella nuova miscela. Queste caratteristiche possono ridurre la capacità portante del calcestruzzo, il che rende i progettisti cauti nell’usare elevate percentuali di materiale riciclato.

Imparare dalle miscele passate

Per affrontare questa sfida, i ricercatori hanno raccolto dati su 112 diverse ricette di calcestruzzo che usavano sia aggregati naturali sia riciclati. Per ogni miscela hanno registrato quanta acqua, cemento, sabbia, ghiaia e materiale riciclato conteneva, insieme a quattro risultati chiave: resistenza a compressione, resistenza a trazione indiretta (split), resistenza a flessione e rigidezza. Poiché 112 esempi sono un numero modesto per addestrare modelli di dati potenti, il team ha prima utilizzato uno strumento generativo, un autoencoder variazionale condizionale, per creare migliaia di miscele sintetiche aggiuntive che imitano i modelli di quelle reali. Questo passaggio ha aiutato i modelli a osservare una più ampia varietà di combinazioni realistiche mantenendo un controllo sui risultati sperimentali del mondo reale.

Testare una cassetta degli attrezzi di modelli di dati

Il team ha quindi confrontato sette diversi approcci di apprendimento automatico per prevedere ciascuna delle quattro proprietà di resistenza a partire dagli ingredienti della miscela. Alcuni erano modelli lineari semplici, che assumono relazioni a linea retta, mentre altri erano metodi più flessibili basati su alberi e macchine a vettori di supporto in grado di catturare curve e svolte nei dati. Hanno addestrato e verificato questi modelli usando una validazione incrociata accurata in modo che ogni previsione valutata fosse effettuata su dati che il modello non aveva visto prima, e hanno riservato un set di test nascosto separato di miscele reali per il punteggio finale. Gradient boosting e support vector regression si sono distinti chiaramente, fornendo previsioni altamente accurate e stabili su tutte e quattro le proprietà e superando sia gli adattamenti lineari di base sia le equazioni standard dei codici di calcolo, specialmente quando il contenuto riciclato era elevato.

Guardare dentro la scatola nera

I modelli di dati potenti sono utili agli ingegneri solo se possono essere compresi e di cui ci si può fidare. Per aprire la scatola nera, gli autori hanno usato una tecnica chiamata attribuzione delle caratteristiche, che misura quanto ogni ingrediente della miscela spinge una previsione verso l’alto o verso il basso. Hanno scoperto che il lato legante della ricetta, ossia il rapporto acqua/cemento e la quantità di cemento, è il principale fattore che governa la resistenza a compressione, trazione e flessione. Al contrario, la rigidezza è regolata principalmente dagli aggregati stessi, con le particelle fini riciclate che giocano un ruolo particolarmente importante. Un maggiore contenuto di fini riciclati tende a rendere il calcestruzzo più deformabile perché questi granuli sono meno rigidi e portano vecchio, più debole, mortaio. Questi schemi corrispondono a osservazioni di laboratorio consolidate, dando fiducia che il modello stia apprendendo comportamenti fisici reali piuttosto che rumore.

Dalle previsioni intelligenti a una progettazione più intelligente

In termini semplici, questo lavoro dimostra che gli strumenti guidati dai dati possono aiutare gli ingegneri a selezionare rapidamente miscele di calcestruzzo più ecologiche che includono macerie riciclate pur rispettando requisiti di sicurezza e prestazione. Lo studio mostra che alcuni algoritmi moderni possono prevedere con alta accuratezza quanto sarà resistente e rigido un mix proposto e possono evidenziare quali variazioni di acqua, cemento o contenuto di aggregato sono più importanti. Sebbene i risultati attuali siano limitati all’intervallo di miscele presenti negli studi di base, lo stesso flusso di lavoro può essere ampliato man mano che più dati diventano disponibili. Questo apre la strada a strumenti pratici di progetto che guidano i costruttori verso scelte di calcestruzzo più sostenibili senza compromettere l’affidabilità strutturale.

Citazione: Awoyera, P.O., Simwanda, L., Vasić, M.V. et al. Hybrid generative–ensemble approach for predicting recycled aggregate concrete strength properties. Sci Rep 16, 15205 (2026). https://doi.org/10.1038/s41598-026-42598-6

Parole chiave: calcestruzzo riciclato, apprendimento automatico, resistenza dei materiali, costruzione sostenibile, progettazione guidata dai dati