Controlli non distruttivi basati su AI per la produzione intelligente di un composito di terreno legato da biopolimeri a impatto carbonio negativo

Mattoni più intelligenti per un mondo che si riscalda

Gli edifici sono responsabili di una grande quota delle emissioni globali di carbonio, in gran parte a causa del calcestruzzo a base di cemento. Questo studio esplora un tipo di elemento da costruzione molto diverso: mattoni realizzati con terreno tenuto insieme da polimeri naturali, che possono effettivamente immagazzinare più carbonio di quanto ne emettano. I ricercatori mostrano come l’intelligenza artificiale e semplici test di vibrazione possano individuare difetti nascosti in questi mattoni “verdi” mentre sono ancora morbidi e possano anche monitorare come si asciugano e induriscono — aprendo la strada a costruzioni più sicure, meno sprechi e più rispettose del clima.

Mattoni fatti dalla natura, non dal cemento

Il materiale al centro di questo lavoro è chiamato composito di terreno legato da biopolimero. Al posto del cemento, utilizza polimeri derivati da fonti biologiche, come proteine, per incollare i granelli di sabbia fra loro. Una volta asciutti, questi mattoni possono essere forti quanto il calcestruzzo e al tempo stesso avere un’impronta di carbonio negativa perché fissano carbonio che altrimenti tornerebbe nell’atmosfera. Se materiali di questo tipo devono passare dal laboratorio all’uso quotidiano, i produttori necessitano di metodi affidabili per assicurare che ogni mattone sia resistente, uniforme e privo di difetti pericolosi. I controlli tradizionali per il calcestruzzo e altri materiali da costruzione tendono a essere lenti, distruttivi oppure funzionano solo una volta che il materiale è completamente indurito, troppo tardi per correggere i problemi senza sprecare materiale.

Ascoltare le vibrazioni invece di rompere i mattoni

Il team ha sviluppato un sistema di controllo non distruttivo che “ascolta” come un mattone fresco e morbido vibra quando viene delicatamente battuto. Nei loro esperimenti hanno mescolato sabbia, acqua e un legante proteico di origine ematica per formare un composito umido, l’hanno compattato in stampi rettangolari e lo hanno testato immediatamente. Un martello a impulso forniva colpi rapidi sulla superficie mentre un piccolo accelerometro sul mattone registrava le onde di vibrazione risultanti. Questi segnali contengono informazioni sulla struttura interna del materiale: un mattone liscio e uniforme vibra in modo diverso rispetto a uno con vuoti, inclusioni dense o separazioni interne che imitano crepe. Poiché l’hardware è semplice e commerciale, il sensore può essere rapidamente spostato da un mattone all’altro, proprio come un medico che usa uno stetoscopio.

Insegnare all’AI a riconoscere i difetti nascosti

Per interpretare i complessi pattern di vibrazione, i ricercatori hanno costruito due famiglie di modelli di AI, soprannominate Mini-ft e Mega-ft. Entrambi iniziano suddividendo i dati continui del sensore in brevi frammenti, ognuno contenente la risposta a un singolo colpo di martello. Mini-ft si concentra su 171 punti chiave di ciascun frammento e comprime queste informazioni in sole due caratteristiche che catturano come il segnale cresce e decade. Usa poi un semplice metodo dei vicini più prossimi per decidere se un campione è normale o difettoso e un modello statistico per stimare quanta umidità ha perso durante l’asciugatura. Mega-ft adotta un approccio più potente: applica migliaia di filtri di forma casuale a ogni frammento per creare una ricca descrizione con 20.000 caratteristiche della vibrazione. Un veloce classificatore lineare utilizza poi questa impronta ad alta definizione per riconoscere non solo se un mattone è difettoso, ma anche che tipo di difetto presenta.

Quanto bene funziona il sistema?

Il team ha testato l’approccio su venti mattoni realizzati in laboratorio, di cui undici senza difetti e otto con difetti inseriti deliberatamente. Alcuni contenevano pezzi di acciaio per imitare regioni insolitamente dense; altri nascondevano forme cave in plastica per simulare vuoti; altri ancora avevano sottili fogli di plastica a rappresentare crepe interne di varie dimensioni. Usando il modello più semplice Mini-ft, il sistema ha distintoo correttamente i mattoni difettosi da quelli normali circa il 96% delle volte e ha saputo distinguere nove classi diverse — una normale più otto tipi di difetto — con un’accuratezza di circa l’82%. Il modello più dettagliato Mega-ft ha spinto questi numeri ancora più in alto, fino a circa il 99% per il rilevamento di base dei difetti e il 97% per distinguere i tipi di difetto. L’AI è stata inoltre in grado di stimare quanto un mattone si fosse asciugato e, quindi, quanta resistenza avesse acquisito, con un errore di solo pochi punti percentuali, rendendola utile per monitorare il processo di indurimento nel tempo.

Dallo studio pilota alla costruzione reale

Sebbene questo lavoro sia stato condotto su campioni delle dimensioni di un mattone con difetti deliberatamente esasperati, i risultati indicano un potenziale strumento pratico per la produzione in fabbrica di nuovi materiali da costruzione a impatto carbonio negativo. Poiché il metodo funziona mentre il materiale è ancora bagnato, i lotti difettosi potrebbero essere individuati precocemente e la miscela riciclata anziché scartata, riducendo sia gli sprechi sia i costi. Lo stesso sistema di vibrazione e AI potrebbe essere adattato a diverse formulazioni, temperature e forme di prodotto, da piccoli mattoni a elementi strutturali più grandi o persino a forme stampate in 3D. In termini semplici, lo studio dimostra che battendo e “ascoltando” con l’AI, i produttori possono garantire che i mattoni a base naturale siano sia ecologici sia affidabili, aiutando la costruzione sostenibile a crescere senza sacrificare la sicurezza.

Citazione: Miao, B.H., Dong, Y., Theissler, A. et al. AI-powered non-destructive testing for smart manufacturing of carbon-negative biopolymer-bound soil composite. Commun Eng 5, 64 (2026). https://doi.org/10.1038/s44172-026-00621-8

Parole chiave: composito di terreno legato da biopolimero, controllo non distruttivo, rilevamento delle vibrazioni, controllo qualità con AI, costruzioni sostenibili