Beoordeling van de voorspellende nauwkeurigheid van supervised machine learning‑modellen om de mechanische sterkte van in beton met hoogovenslak verwerkte beton te onderzoeken

Waarom slimmer beton ertoe doet

Beton bepaalt de vorm van onze steden, maar de productie van het cement dat het bijeenhoudt veroorzaakt grote hoeveelheden kooldioxide—ongeveer 8% van de wereldwijde uitstoot. Een veelbelovende manier om deze voetafdruk te verkleinen is een deel van het gewone cement te vervangen door industriële bijproducten zoals hoogovenslak, een glasachtig materiaal uit de staalproductie. De uitdaging: het vinden van het juiste recept voor sterk, duurzaam en koolstofarm beton vergt doorgaans maanden laboratoriumwerk. Deze studie toont aan dat moderne machine learning veel van dat trial-and-error virtueel kan uitvoeren, waardoor het ontwerp van groener beton wordt versneld.

Een schoner ingrediënt uit de staalproductie

Hoogovenslak ontstaat wanneer ijzererts wordt gesmolten om ruwijzer te maken. Wanneer dit gesmolten bijproduct snel wordt afgekoeld en tot fijn poeder wordt vermalen, gedraagt het zich als een traag werkend cement. Gemengd in beton reageert het met verbindingen die tijdens de cementhydratatie ontstaan en vormt het extra bindend gel dat de interne poriën dichttrekt. De voordelen zijn drievoudig: er is minder cement nodig (wat CO₂‑uitstoot vermindert), chemische aantasting door zouten en zuren wordt effectiever tegengegaan, en de sterkte blijft langer toenemen. Maar de prestaties hangen sterk af van de hoeveelheid slak die wordt toegevoegd, hoe deze interacteert met andere materialen en hoe lang het beton wordt nabehandeld.

Versnipperde experimenten samenbrengen in één dataset

In plaats van voor elk mogelijk mengsel nieuwe labtesten uit te voeren, doorzochten de onderzoekers eerdere studies en open datasets over slakhoudende betonmengsels. Ze stelden 675 datarecords samen, elk met een beschrijving van een betonrecept en de gemeten druksterkte (hoeveel druk het kan weerstaan voordat het bezwijkt). Acht belangrijke ingrediënten en condities werden gevolgd: hoeveelheden cement, hoogovenslak, vliegas, grof en fijn toeslagmateriaal, water, een hoogefficiënte waterverminderende hulpstof genaamd superplastificeerder, plus de nabehandelingstijd in dagen. Alle waarden werden gecontroleerd, gestandaardiseerd naar gemeenschappelijke eenheden, ontdaan van duidelijke fouten en herschaald zodat de machine learning‑modellen variabelen op gelijke voet konden vergelijken.

Machines trainen om betonsterkte te voorspellen

Met deze database trainde het team zes verschillende supervised machine learning‑modellen om druksterkte te voorspellen op basis van het mengontwerp: AdaBoost, een enkele Decision Tree, Gradient Boosting, k‑Nearest Neighbors en twee geavanceerde boomgebaseerde methoden bekend als LightGBM en XGBoost. Ze gebruikten 80% van de data voor training en 20% om te testen hoe goed elk model omging met nieuwe, ongeziene recepten. Om overfitting te vermijden—waarbij een model oude data memoriseert maar in de praktijk faalt—stelden ze modelinstellingen systematisch af met grid search en cross‑validatie, en beoordeelden ze de prestaties met gangbare nauwkeurigheidsmaten zoals de determinatiecoëfficiënt (R²) en diverse foutstatistieken.

Wat de sterkte bepaalt in groenere mengsels

De twee krachtigste modellen, LightGBM en XGBoost, reproduceerden laboratoriumsterktes met hoge nauwkeurigheid en verklaarden meer dan 94% van de variatie in de testgegevens. Om deze “black box”‑modellen begrijpelijk te maken pasten de auteurs SHAP toe (een methode die iedere invoer een aandeel in de voorspelling toewijst) en partial dependence‑plots, die laten zien hoe het veranderen van één variabele de voorspelde sterkte verschuift terwijl andere constant worden gehouden. Deze hulpmiddelen toonden aan dat de nabehandelingstijd het grootste positieve effect had: langere nabehandeling betekende consequent sterker beton. Superplastificeerder en cementgehalte waren de daaropvolgende meest invloedrijke factoren, die de sterkte verhoogden door de opvulling te verbeteren en onnodig water te verminderen. Water zelf liet een sterk negatief effect zien—te veel verzwakt het mengsel—terwijl hoogovenslak tot op zekere hoogte hielp en daarna afvlakte.

Het vinden van de optimale slakverhouding

Door de modellen over verschillende slakgehalten te laten lopen identificeerden de onderzoekers een optimale vervangingszone: wanneer hoogovenslak ongeveer 30–40% van het totale cementachtige materiaal uitmaakte, bereikte het beton doorgaans hogere druksterktes, vooral bij nabehandelingstijden van 28 dagen en langer. Het percentage slak veel hoger duwen, met name boven de 50%, vertraagde vaak de vroege sterkteontwikkeling, wat cruciaal kan zijn voor bouwschema’s. Deze inzichten, geëxtraheerd uit vele kleine studies, bieden praktische aanwijzingen: ingenieurs kunnen deze tussenliggende slakrange gericht nastreven om sterkte, duurzaamheid en CO₂‑besparing in balans te houden zonder voor elk project uitgebreide tests uit te voeren.

Wat dit betekent voor toekomstig bouwen

Voor niet‑specialisten is de kernboodschap eenvoudig: computers kunnen nu leren van eerdere betonsproeven en voldoende goede voorstellen doen voor sterke, koolstofarme mengsels voordat er ook maar één batch wordt gestort. In dit werk bleek het LightGBM‑model iets nauwkeuriger dan XGBoost, maar beide waren precies en interpreteerbaar genoeg om te laten zien welke ingrediënten het meest tellen en waar slak het beste presteert. Die combinatie van snelheid en transparantie betekent dat ontwerpers kunnen besparen op tijd, kosten en materiaalverspilling en tegelijkertijd beter gebruik kunnen maken van industriële bijproducten. Naarmate datasets groeien en meer gestandaardiseerd raken, zouden dergelijke hulpmiddelen de bouwsector kunnen helpen haar klimaatimpact te verkleinen en toch veilige, duurzame constructies te leveren.

Bronvermelding: Sobuz, M.H.R., Majumder, S., Afrin, M.S. et al. Evaluating the predictive accuracy of supervised machine learning models to explore the mechanical strength of blast furnace slag incorporated concrete. Sci Rep 16, 6712 (2026). https://doi.org/10.1038/s41598-026-36437-x

Trefwoorden: hoogovenslakbeton, machine learning, druksterkte, duurzame bouw, cementvervanging