Approccio ibrido di machine learning per la previsione della resistenza a compressione del calcestruzzo sostenibile con cenere di combustibile da olio di palma

Trasformare i rifiuti agricoli in calcestruzzo più resistente e più verde

Il calcestruzzo sostiene i nostri edifici, ponti e strade, ma la produzione del cemento al suo interno rilascia grandi quantità di anidride carbonica. Allo stesso tempo, gli impianti di olio di palma generano montagne di cenere spesso scartata. Questo studio esplora come trasformare quella cenere in un ingrediente utile per il calcestruzzo e come programmi informatici intelligenti possano prevedere in modo affidabile quanto sarà resistente questo calcestruzzo “verde” prima ancora di gettarne una singola miscela.

Perché la cenere di olio di palma è importante

La cenere di combustibile da olio di palma è un sottoprodotto polveroso lasciato dopo la combustione dei residui di palma per la produzione di energia. Nei paesi dove si coltiva molto olio di palma, si accumula in grandi quantità e può causare problemi di smaltimento e inquinamento. Eppure questa cenere contiene particelle reattive che possono sostituire parzialmente il cemento nel calcestruzzo. Usarla aiuta due obiettivi insieme: riduce la quantità di cemento, ad alta intensità energetica, necessaria e ricicla un rifiuto agricolo. Studi precedenti hanno mostrato che, se trattata e impiegata con attenzione, la cenere di palma può produrre calcestruzzo resistente e durevole. La sfida è che la resistenza dipende da molti ingredienti e condizioni di maturazione interagenti, quindi i progettisti hanno bisogno di un modo rapido e affidabile per stimare le prestazioni senza dover eseguire test infiniti.

Lasciare che un modello intelligente impari da centinaia di miscele

I ricercatori hanno raccolto dati da 22 studi pubblicati, ottenendo 469 miscele di calcestruzzo diverse che tutte impiegavano cenere di combustibile da olio di palma. Per ogni miscela hanno registrato sei ingredienti e condizioni chiave: la quantità di cemento e di cenere utilizzata, la quantità di fluido chimico (superfluidificante) aggiunta, l’equilibrio tra aggregati grossi e fini, il rapporto acqua-legante e il tempo di stagionatura prima del test. Si sono quindi affidati all’intelligenza artificiale, costruendo un modello informatico ispirato al modo in cui le cellule nervose si connettono nel cervello, noto come rete neurale artificiale. Questo tipo di modello impara per esempio: osserva molte combinazioni di input e le resistenze risultanti e regola gradualmente le sue connessioni interne per replicare quegli esiti.

Potenziando il “cervello” con una ricerca ispirata all’evoluzione

Da sola, una rete neurale può essere difficile da ottimizzare. Se i suoi parametri interni sono scelti male, può bloccarsi in prestazioni mediocri. Per superare questo limite, il team ha affiancato alla rete neurale un secondo algoritmo che imita il modo in cui le specie si diffondono e si adattano tra isole, chiamato ottimizzazione basata sulla biogeografia. In questo schema, ogni “isola” rappresenta un diverso insieme di impostazioni della rete. Le caratteristiche delle isole di successo migrano verso quelle più deboli, mentre cambiamenti casuali occasionali impediscono che la ricerca si blocchi. Dopo molti cicli, questo approccio ibrido affina la rete in modo che possa meglio corrispondere alle resistenze del calcestruzzo misurate sperimentalmente.

Quanto bene si comporta il modello ibrido

Per verificare se il loro modello ibrido fosse realmente efficace, gli autori hanno diviso le 469 miscele in gruppi separati per addestramento, ottimizzazione e test indipendenti, e hanno anche usato metodi di convalida incrociata che rimescolano ripetutamente i dati. Hanno confrontato la rete ibrida con una rete neurale standard e con modelli precedenti presenti in letteratura. La versione ibrida ha previsto la resistenza a compressione con costanza maggiore: oltre il 60% delle sue previsioni era entro il 5% dei valori misurati, rispetto a circa il 39% per il modello convenzionale. L’errore complessivo era più piccolo e le sue previsioni risultavano più stabili quando i dati venivano campionati in modi diversi. L’analisi del modello addestrato ha inoltre rivelato quali fattori contano di più, evidenziando il tempo di stagionatura e il rapporto acqua-legante come i principali motori della resistenza.

Cosa significa per una costruzione più verde

Per ingegneri e pianificatori, lo studio offre uno strumento pratico: data una miscela candidata che includa cenere di combustibile da olio di palma, il modello ibrido può stimare rapidamente quanto il calcestruzzo risultante sarà probabilmente resistente, entro l’intervallo di miscele che ha visto. Questo può far risparmiare tempo, ridurre batch di prova costosi e favorire un uso più ampio di materiali derivati da scarti che abbassano il consumo di cemento e le emissioni. Pur essendo ancora limitato da lacune e differenze negli studi sperimentali di base, mostra che combinare l’apprendimento dai dati con una ricerca ispirata all’evoluzione può aiutare a domare la complessità dei calcestruzzi sostenibili moderni e avvicinare la costruzione più verde alla pratica quotidiana.

Citazione: Kazemi, R., Pour, M.A. & Gandomi, A.H. Hybrid machine learning approach for predicting compressive strength of sustainable concrete incorporating palm oil fuel ash. Sci Rep 16, 14033 (2026). https://doi.org/10.1038/s41598-026-46190-w

Parole chiave: calcestruzzo sostenibile, cenere di combustibile da olio di palma, previsione della resistenza a compressione, rete neurale artificiale, ottimizzazione metaeuristica