Voorspelling van de druksterkte van gecarbonateerd beton met gerecycled toeslagmateriaal met behulp van regressie-gebaseerde machinelearningmodellen

Oud beton veranderen in een klimaatbondgenoot

Ieder jaar slopen steden enorme hoeveelheden beton, waardoor gebroken brokken op stortplaatsen belanden en er nieuwe steengranulaten uit de groeves moeten komen. Deze studie onderzoekt een manier om die cirkel te sluiten: het vergruizen van betonafval, het gebruiken om kooldioxide vast te leggen, en vervolgens met moderne machinelearningtools te voorspellen hoe sterk het nieuwe, groenere beton zal zijn. Voor iedereen die geïnteresseerd is in klimaatvriendelijke steden en slimmer datagebruik laat dit werk zien hoe kunstmatige intelligentie ingenieurs kan helpen veiligere, duurzamere gebouwen te ontwerpen van het puin van gisteren.

Waarom hergebruik van beton ertoe doet

Beton is overal—wegen, bruggen, wolkenkrabbers—en de productie ervan verbruikt enorme hoeveelheden natuurlijke gesteenten en energie en stoot grote hoeveelheden CO₂ uit. Gerecyclede betonaggregaten, gemaakt door oud beton te vergruizen, kunnen deze belasting verminderen door minder winning uit groeves en minder afval naar stortplaatsen. Er zit echter een addertje onder het gras: deze gerecyclede stukken dragen vaak restcementpasta op hun oppervlak, waardoor ze poreuzer en zwakker zijn dan natuurlijk gesteente. Dat betekent vaak dat nieuw beton met gerecyclede toeslagmaterialen minder sterk of duurzaam is, wat een serieuze zorg is voor structurele veiligheid.

Betonafval sterker maken met CO₂

Om dit probleem aan te pakken hebben onderzoekers carbonatie toegepast, een proces waarbij CO₂ doelbewust wordt ingebracht om te reageren met verbindingen in de oude cementpasta. In de gerecyclede deeltjes vormt het gas vaste mineralen die poriën vullen, microbarsten dichtzetten en de contactzones versterken die het nieuwe beton bij elkaar houden. Dit verbetert niet alleen de materiaalkwaliteit—het verhoogt de dichtheid en verlaagt de wateropname—maar slaat ook CO₂ op in het beton, waardoor afval effectief een kleine koolstofput wordt. De studie richtte zich op beton gemaakt met deze gecarbonateerde gerecyclede aggregaten en stelde een kernvraag: kunnen we betrouwbaar voorspellen hoe sterk dit groenere beton zal zijn zonder eindeloze laboratoriumtests?

Computers leren sterkte te voorspellen

De auteurs stelden 108 zorgvuldig gemeten betonmonsters samen uit eerdere experimenten. Voor elk monster registreerden ze hoe het mengsel was samengesteld (zoals de verhouding water-cement en hoeveel fijn en grof toeslagmateriaal werd gebruikt), hoe goed de aggregaten waren (hun wateropname en weerstand tegen breken), hoe sterk het oorspronkelijke “ouder”-beton was, hoeveel CO₂ de gerecyclede stukken hadden opgenomen, en welk aandeel natuurlijk gesteente werd vervangen door gerecycled materiaal. Vervolgens trainden ze verschillende regressieachtige machinelearningmodellen—variërend van eenvoudige rechte-lijnformules tot meer flexibele beslisbomen en ensembles—om het verband tussen deze invoerparameters en de resulterende druksterkte te leren.

Complexe mengsels ontwarren met slimme modellen

Veel van de gemeten ingrediënten waren sterk onderling verbonden, wat traditionele statistische methoden kan verwarren. Om te vereenvoudigen combineerde het team groepen gerelateerde variabelen in twee samengestelde indices: één die beschrijft hoe het mengsel in het algemeen was gepositioneerd, en een andere die de prestaties van de aggregaten samenvat. Ze vergeleken vervolgens modellen die op de volledige, gedetailleerde data werden getraind met modellen die op deze compacte indices werden getraind. Eenvoudige lineaire benaderingen deden het redelijk, maar hadden moeite met de gekromde, verstrengelde relaties in de data. Daarentegen vingen boom-gebaseerde ensemblemethoden—beslisbomen, random forests en LightGBM—deze patronen met opmerkelijke precisie, met typische voorspellingsfouten van net iets meer dan 1 megapascal en een verklaring van meer dan 99% van de variatie in de tests.

Wat het meest belangrijk is voor sterk groen beton

Om de “black box” van de best presterende modellen te openen, gebruikten de onderzoekers SHAP, een techniek die laat zien hoeveel elke invoer gewoonlijk voorspellingen naar boven of naar beneden duwt. Ze ontdekten dat de manier waarop het mengsel is gedoseerd—vooral de balans tussen cement, aggregaten en water—de bepalende factor voor de sterkte is. De mate van carbonatie in de gerecyclede aggregaten speelt ook een grote maar niet-lineaire rol: meer CO₂-behandeling helpt over het algemeen, maar het effect hangt af van de kwaliteit van het oorspronkelijke ouderbeton. De gecombineerde indicator voor aggregaatprestaties heeft een matige invloed, terwijl het simpelweg verhogen van het percentage gerecycled materiaal minder belangrijk is dan het goed afstemmen van het mengontwerp en de behandeling.

Van laboratoriumdata naar praktische ontwerprichtlijnen

In eenvoudige bewoordingen laat deze studie zien dat gecarbonateerd beton met gerecyclede aggregaten zowel klimaatbewust als sterk kan zijn—mits het recept zorgvuldig is afgestemd. Moderne machinelearning, vooral boom-gebaseerde ensambles, kan de sterkte nauwkeurig voorspellen op basis van een beheersbare set meng- en materiaalspecificaties, waardoor de noodzaak voor tijdrovende testen voor elke nieuwe combinatie afneemt. Voor ingenieurs en planners betekent dit dat het steeds realistischer wordt om constructies te ontwerpen die oud beton hergebruiken, CO₂ opslaan en toch aan strenge veiligheidsnormen voldoen, met datagedreven hulpmiddelen als gids.

Bronvermelding: Gebremariam, H.G., Taye, S. & Tarekegn, A.G. Compressive strength prediction of carbonated recycled aggregate concrete using regression based machine learning models. Sci Rep 16, 5825 (2026). https://doi.org/10.1038/s41598-026-36197-8

Trefwoorden: gerecycled beton, carbonatie, machine learning, druksterkte, duurzame bouw