Valutazione della perdita di resistenza indotta dal calore nel calcestruzzo attivato con alcalini tramite modelli di regressione ensemble

Perché il calcestruzzo esposto al calore è importante

Quando un edificio è interessato da un incendio grave, la resistenza del suo calcestruzzo può fare la differenza tra restare in piedi e crollare. Gli ingegneri si stanno ora orientando verso un tipo di calcestruzzo più ecologico, chiamato calcestruzzo attivato con alcalini, che riutilizza scarti industriali e resiste meglio al calore rispetto al cemento tradizionale. Ma testare ogni ricetta possibile in una fornace è lento e costoso. Questo studio mostra come gli strumenti moderni basati sui dati possano imparare dalle prove passate e predire rapidamente quanta resistenza conserverà questo calcestruzzo più verde dopo l’esposizione a temperature estreme.

Un calcestruzzo più sostenibile

Il calcestruzzo attivato con alcalini sostituisce gran parte del cemento tradizionale con sottoprodotti industriali come le ceneri volanti delle centrali elettriche, le scorie di altoforno della produzione dell’acciaio e persino vetro di scarto finemente macinato. Questa sostituzione riduce le emissioni di carbonio e dà a questi rifiuti una seconda vita. Grazie alla sua diversa struttura legante interna di tipo gel, questo calcestruzzo spesso mantiene meglio le proprietà quando è riscaldato. Tuttavia, il suo comportamento al fuoco è molto sensibile ai dettagli: la miscela di polveri, i reagenti usati per attivarle, quanto e a quale temperatura viene curata la miscela e la temperatura massima cui è poi esposta. Questa complessità rende difficile prevedere, solo dai principi fondamentali, quanta resistenza rimarrà dopo un incendio.

Lasciare che i dati apprendano i modelli

I ricercatori hanno assemblato un dataset dettagliato di 371 cubi di calcestruzzo realizzati con ceneri volanti e scorie, talvolta parzialmente sostituiti da polvere di vetro di scarto. Per ogni cubo è stata registrata la ricetta, insieme alle condizioni di cura e alla temperatura — tra le condizioni ambiente e 1000 °C — cui è stato poi riscaldato prima della prova. Invece di affidarsi a equazioni semplici, il team ha impiegato cinque metodi di apprendimento supervisionato. Questi algoritmi cercano schemi che colleghino gli input (proporzioni della miscela, temperatura e durata di cura e livello di riscaldamento) all’output: la resistenza residua a compressione del calcestruzzo.

Quale «previsore» digitale funziona meglio

Lo studio ha confrontato un semplice albero decisionale con metodi «ensemble» più avanzati che combinano molti modelli semplici per ottenere previsioni più affidabili. Tra questi figurano il bagging, AdaBoost, la foresta casuale e una tecnica chiamata Extreme Gradient Boosting. Gli autori hanno usato una validazione incrociata attenta, addestrando i modelli su alcune miscele e testandoli su miscele completamente diverse per simulare l’uso pratico. Tra tutti i concorrenti, il modello di gradient boosting è risultato il migliore. Ha riprodotto i risultati dei test con un livello di accordo molto elevato e l’errore medio più basso, seguito a breve distanza dalla foresta casuale. Al contrario, un approccio lineare semplice non è riuscito a catturare la relazione curva e non lineare con cui la resistenza varia in funzione della composizione e della temperatura.

Scoprire cosa conta davvero nella miscela

Oltre alla mera accuratezza, i ricercatori hanno voluto capire quali ingredienti e passaggi di processo influenzano davvero le prestazioni al calore. Hanno esaminato correlazioni e utilizzato strumenti di interpretabilità che mostrano quanto ciascuna variabile di input sposti le predizioni del modello. La temperatura di cura, la durata della cura e la concentrazione dell’attivatore alcalino sono emerse come i fattori dominanti che controllano quanta resistenza il calcestruzzo conserva dopo il riscaldamento. Variabili come la quantità di aggregato grossolano o piccole variazioni del contenuto d’acqua hanno avuto un ruolo minore. L’analisi ha inoltre rispecchiato processi fisici noti: una cura moderata favorisce la formazione di una rete legante densa, ma calori eccessivi o un contenuto alcalino troppo elevato possono rendere il materiale indurito più fragile e soggetto a fessurazioni quando le temperature si avvicinano a 1000 °C.

Dal laboratorio allo strumento di progetto

In termini semplici, questo lavoro trasforma un insieme sparso di prove in forno in uno strumento pratico di progettazione. I modelli ensemble funzionano come consulenti veloci e addestrati che possono stimare come si comporterà una proposta di calcestruzzo verde in un incendio grave, senza dover colare e riscaldare centinaia di nuovi provini. Evidenziando le variabili più importanti, guidano anche gli ingegneri verso scelte più intelligenti nella cura e nel dosaggio chimico. L’approccio non sostituisce prove sperimentali accurate né le norme di costruzione, e deve ancora essere esteso ad altri materiali e condizioni. Ma rappresenta un passo potente verso la progettazione di strutture in calcestruzzo più sicure, resistenti al fuoco e sostenibili utilizzando molte meno prove per tentativi ed errori.

Citazione: Deepti, Y., Kumar, S., Bandyopadhyay, A. et al. Assessment of thermally induced strength loss in alkali-activated concrete through ensemble regression models. Sci Rep 16, 14475 (2026). https://doi.org/10.1038/s41598-026-44193-1

Parole chiave: calcestruzzo attivato con alcalini, materiali resistenti al fuoco, apprendimento automatico, resistenza a compressione, edilizia sostenibile