Predizione tramite apprendimento automatico della resistenza a compressione e a flessione di compositi sostenibili a base di gesso rinforzati con paglia di grano

Trasformare i rifiuti agricoli in materiale da costruzione

Ogni anno, in tutto il mondo gli agricoltori bruciano montagne di paglia residua, mentre le città consumano grandi quantità di calcestruzzo che emettono ingenti volumi di anidride carbonica. Questo studio esplora un modo per affrontare entrambi i problemi insieme: utilizzare la paglia di grano, un rifiuto agricolo, per rinforzare materiali da costruzione a base di gesso e impiegare strumenti informatici intelligenti per prevedere quanto possano essere resistenti questi materiali più ecologici.

Perché guardare oltre il calcestruzzo comune

Il calcestruzzo è uno dei materiali più usati sulla Terra, ma la produzione del suo componente principale, il cemento, rilascia enormi quantità di anidride carbonica nell’atmosfera. Al contrario, la produzione del gesso, un altro legante minerale, genera molta meno CO2. Il gesso è già presente in prodotti familiari come i pannelli in cartongesso e le tramezzature interne, e offre buona resistenza al fuoco, isolamento acustico e leggerezza. Tuttavia, da solo il gesso è fragile e non sufficientemente resistente per molti impieghi strutturali, il che limita i casi in cui può sostituire in sicurezza calcestruzzo o mattoni.

Dare una seconda vita alla paglia

L’agricoltura moderna produce enormi volumi di rifiuti, e la paglia di grano è un esempio tipico. In paesi come il Pakistan, gran parte di questa paglia viene bruciata in campo aperto, peggiorando lo smog e la salute pubblica. Invece di considerare la paglia un problema da smaltire, gli autori la vedono come un ingrediente economico e rinnovabile per le costruzioni. Quando piccole quantità di fibre di paglia vengono incorporate nel gesso, possono aiutare il materiale a flettersi un po’ di più prima di rompersi e a sfruttare meglio una risorsa che altrimenti finirebbe sprecata. Ma la resistenza finale dipende da molti ingredienti insieme, inclusa la qualità del gesso, l’acqua, la quantità di paglia e gli additivi chimici, che interagiscono in modi complessi.

Lasciare che le macchine imparino dagli esperimenti

Eseguire test fisici su ogni possibile ricetta per le miscele paglia–gesso sarebbe lento e costoso. Per affrontare il problema, i ricercatori hanno raccolto dati da 161 miscele precedentemente testate riportate in letteratura. Per ogni ricetta hanno registrato dettagli quali la resistenza intrinseca e la quantità di gesso, il contenuto d’acqua e il rapporto acqua/gesso, quanto paglia è stata aggiunta e se erano presenti due additivi comuni. Hanno anche annotato due risultati chiave: la capacità dei campioni di resistere alla compressione (resistenza a compressione) e alla flessione (resistenza a flessione). Usando questi dati hanno addestrato cinque diversi modelli di apprendimento automatico affinché i computer imparassero come gli input si collegano a queste resistenze senza che venga fornita una formula fissa a priori.

Trovare il predittore digitale più affidabile

Il team ha confrontato reti neurali artificiali, regressione con processo gaussiano, foreste casuali, extreme gradient boosting e macchine a vettori di supporto. Ogni modello è stato verificato con un metodo di test accurato chiamato cross-validation, che allena ripetutamente su una porzione dei dati e testa sul resto per evitare di ingannare se stessi. Tra tutti gli approcci, la regressione con processo gaussiano si è distinta: ha previsto sia la resistenza a compressione sia quella a flessione in modo più accurato e coerente rispetto agli altri. Un ulteriore vantaggio è che questo metodo non fornisce solo una stima singola; fornisce anche un intervallo di incertezza che mostra quanto è affidabile la previsione, caratteristica utile quando gli ingegneri devono prendere decisioni legate alla sicurezza.

Cosa conta di più nella miscela

Per evitare che i modelli funzionassero come scatole nere misteriose, gli autori hanno indagato quali ingredienti influenzavano maggiormente le previsioni. Nei modelli con migliori prestazioni, la resistenza intrinseca del gesso è emersa come il fattore principale sia per la resistenza a compressione sia per quella a flessione. Anche la quantità totale di gesso e la quantità d’acqua utilizzata hanno avuto ruoli importanti perché determinano quanto denso o poroso risulta il materiale finale. La paglia di grano e gli additivi chimici hanno avuto effetti secondari: in alcune quantità aiutavano a modulare il comportamento, ma troppa acqua, paglia o additivo tendeva a ridurre la resistenza creando vuoti aggiuntivi o disturbando l’adesione all’interno dell’impasto indurito.

Dalle previsioni intelligenti a edifici più verdi

In termini semplici, lo studio mostra che i computer possono imparare a prevedere con precisione quanto sarà resistente il gesso rinforzato con paglia, basandosi sulla ricetta, senza la necessità di colare e frantumare ogni nuovo campione in laboratorio. Il modello migliore, la regressione con processo gaussiano, non solo fornisce stime affidabili della resistenza ma indica anche quanto è sicuro ciascun valore previsto. Questa combinazione di ingredienti sostenibili e strumenti predittivi intelligenti può guidare i progettisti verso prodotti gesso–paglia adeguati all’uso previsto, riducendo al contempo l’uso di cemento e gli incendi agricoli. Così facendo, indica metodi di costruzione più rispettosi del clima e che sfruttano meglio i materiali già disponibili.

Citazione: Ahmad, H., Ejaz, M.F., Riaz, M.R. et al. Machine learning-based prediction of compressive and flexural strength of wheat straw reinforced sustainable gypsum composites. Sci Rep 16, 15087 (2026). https://doi.org/10.1038/s41598-026-45024-z

Parole chiave: compositi di gesso, paglia di grano, apprendimento automatico, resistenza a compressione, costruzione sostenibile