Valutazione comparativa degli approcci di machine learning e deep learning per la previsione della resistenza a compressione del calcestruzzo geopolimerico

Un nuovo modo di progettare un calcestruzzo più verde

Il calcestruzzo è la spina dorsale delle città moderne, ma la produzione del cemento tradizionale emette grandi quantità di anidride carbonica. Il calcestruzzo geopolimerico offre un’alternativa più pulita, tuttavia gli ingegneri faticano ancora a prevederne la resistenza una volta indurito. Questo studio mostra come gli strumenti dati‑driven, inclusi machine learning e deep learning, possano apprendere da centinaia di esperimenti passati per prevedere la resistenza delle miscele di calcestruzzo geopolimerico e guidare una costruzione più ecologica con meno campionature sperimentali costose.

Perché ottenere un calcestruzzo più sostenibile è difficile

Il calcestruzzo geopolimerico sostituisce gran parte del cemento ordinario con sottoprodotti industriali come cenere volante, scoria, metakaolino e fumo di silice. Queste polveri reagiscono con liquidi alcalini formando un materiale solido simile alla pietra che può eguagliare o superare la resistenza del calcestruzzo standard riducendo le emissioni di carbonio fino a circa il 70 percento. Ma questa ricetta più ecologica è delicata: la resistenza dipende da molti fattori intrecciati, inclusi tipo e quantità di polveri, dosaggio e concentrazione dei liquidi alcalini, quantità di acqua e additivi chimici, granulometria di sabbia e ghiaia, fibre aggiunte per la tenacità e tempo e condizioni di stagionatura. Poiché tutti questi ingredienti interagiscono in modi complessi e non lineari, equazioni semplici non sono sufficienti per prevedere la resistenza di una nuova miscela.

Costruire un grande dataset panoramico

Per affrontare questa complessità, gli autori hanno assemblato un ampio database unificato proveniente da 19 studi pubblicati, comprendente 594 diverse miscele di calcestruzzo geopolimerico. Ogni record descrive gli ingredienti chiave come le quantità di cenere volante, scoria, metakaolino, fumo di silice, sabbia, ghiaia, acqua, liquidi alcalini e superfluidificante, insieme a fibre d’acciaio e polipropilene e all’età di maturazione in giorni. Il team ha pulito accuratamente i dati: ha rimosso duplicati, armonizzato unità e nomi delle variabili e ha mantenuto solo le miscele con informazioni complete. Ne è risultata una collezione diversificata ma coerente che copre un’ampia gamma di resistenze, da calcestruzzi relativamente deboli fino a prestazioni molto elevate, rispecchiando la variabilità reale riscontrata in molti laboratori.

Far apprendere alle macchine dalle miscele passate

Con questo database a disposizione, i ricercatori hanno addestrato una serie di modelli predittivi. Sul fronte classico hanno impiegato diversi metodi di machine learning, incluse decision tree, random forest e tecniche avanzate di boosting che combinano molti piccoli modelli in un predittore complessivo più robusto. Sul fronte del deep learning hanno testato due reti neurali di diversa profondità e un modello tabulare moderno chiamato TabNet, che usa un meccanismo di attenzione per concentrarsi sugli ingredienti più informativi. I dati sono stati suddivisi in modo che l’80 percento delle miscele servisse per addestrare i modelli, mentre il restante 20 percento fosse messo da parte per testare quanto bene ogni metodo potesse prevedere risultati non visti, utilizzando misure standard di errore e bontà di adattamento.

Quali modelli hanno funzionato meglio e perché

Il vincitore netto tra gli approcci di machine learning è stato un metodo di boosting chiamato CatBoost, che ha fornito previsioni della resistenza molto accurate e si è allineato strettamente ai dati di test su tutto l’intervallo dei valori. Un altro modello boosted, XGBoost, si è piazzato a poca distanza. Tra gli strumenti di deep learning, TabNet ha ottenuto le migliori prestazioni e ha effettivamente rivaleggiato con il miglior modello di machine learning, mentre una rete neurale più profonda con più strati ha fatto peggio, probabilmente perché il dataset era troppo modesto per una struttura così complessa. Per rendere queste previsioni «scatola nera» più trasparenti, gli autori hanno usato uno strumento di interpretabilità chiamato SHAP, che assegna un punteggio di importanza a ciascun input. Queste analisi hanno mostrato che il contenuto di scoria e l’età di stagionatura dominano costantemente la previsione della resistenza, seguiti da altri ingredienti del legante, dose di attivatore e quantità di aggregati, mentre le fibre d’acciaio e plastiche svolgono un ruolo secondario nella resistenza a compressione, anche se possono influenzare fortemente fessurazione e tenacità.

Cosa significa per l’edilizia futura

In termini pratici, questo lavoro dimostra che i computer possono apprendere da centinaia di ricette di calcestruzzo geopolimerico per fornire stime rapide e affidabili di quanto sarà resistente una nuova miscela ecologica. Invece di colare e frantumare un gran numero di provini di prova, gli ingegneri possono usare questi modelli per restringere combinazioni promettenti di polveri leganti, liquidi attivatori e tempi di stagionatura prima di passare al laboratorio. Lo studio evidenzia anche quali ingredienti contano di più, offrendo indicazioni pratiche: ottenere correttamente il contenuto di scoria, i livelli dell’attivatore e le condizioni di stagionatura è molto più importante per la resistenza a compressione che affinare le quantità di fibre. Sebbene i modelli debbano ancora essere validati su dataset più ampi e standardizzati, questo quadro rappresenta un passo significativo verso una progettazione del calcestruzzo guidata dai dati e a minore impatto di carbonio.

Citazione: Ezz, H., Bakr, S.M. Comparative evaluation of machine learning and deep learning approaches for compressive strength prediction of geopolymer concrete. Sci Rep 16, 14652 (2026). https://doi.org/10.1038/s41598-026-50705-w

Parole chiave: calcestruzzo geopolimerico, machine learning, deep learning, previsione della resistenza a compressione, edilizia sostenibile