Voorspellen van druksterkte van mortels met gerecycled CRT-glas met behulp van GMDH- en GEP-methoden

Oude tv's omzetten in veiligere, sterkere bouwstenen

Miljoenen afgedankte kathodestraalbuis (CRT)-televisies en -monitoren stapelen zich op op stortplaatsen over de hele wereld. Het zware glas bevat veel lood, dat in de bodem en het water kan lekken. Deze studie onderzoekt een manier om dat gevaarlijke glas veilig in bouwmortels in te kapselen, terwijl het materiaal sterk genoeg blijft voor praktisch gebruik. Door recycling te combineren met moderne data-gestuurde modellering laten de onderzoekers zien hoe we een toxische afvalstroom kunnen omzetten in een bruikbaar ingrediënt voor groenere gebouwen en zelfs voor muren die straling afschermen.

Waarom oud schermglas zowel een probleem als een kans is

CRT-glas is uitzonderlijk dicht en bevat ongeveer 20–25% loodoxide. Als het wordt gebroken en gestort, kan dit lood langzaam uitspoelen en het milieu verontreinigen. Eerdere experimenten toonden aan dat wanneer CRT-glas in cementgebonden mortels wordt gemengd, de sterk alkalische poreusvloeistof van het cement zware metalen helpt vast te houden, waardoor hun uitloging sterk afneemt. Tegelijkertijd kan de hoge dichtheid van het glas de röntgen- en stralingsafscherming verbeteren. Het nadeel is dat het vervangen van natuurlijk zand door gerecycled CRT (RCRT)-glas de mortel vaak verzwakt omdat de gladde glasdeeltjes slecht hechten aan de omliggende pasta. Ingenieurs staan daardoor voor een afweging tussen milieuwinst, afschermprestaties en mechanische sterkte.

Van dure labtests naar slimme voorspelling

Het ontwerpen van mortelmengsels die de juiste balans vinden vereiste doorgaans veel proef-en-foutlaboratoriumtests, die traag en duur zijn. Eerdere onderzoeken rapporteerden meestal afzonderlijke testresultaten en gebruikten soms traditionele statistische formules om sterkte te voorspellen, maar deze benaderingen hadden moeite met de complexe, niet-lineaire interacties tussen mengselbestanddelen. In het bijzonder had geen eerder werk voorspellende modellen specifiek voor mortels met RCRT-glas gebouwd, en de meeste moderne machine-learningstudies concentreerden zich op andere gerecyclede materialen of gebruikten 'black-box'-algoritmen die weinig inzicht geven in hoe elk ingrediënt de sterkte beïnvloedt. Deze studie wilde dat gat opvullen met transparante, vergelijking-gebaseerde modellen.

Hoe de onderzoekers de modellen leerden

Het team stelde een database samen van 139 mortelmonsters gemaakt met verschillende verhoudingen water, cement, vliegas, natuurlijk zand, RCRT-glas en verschillende uithardingstijden. Ze maakten de data eerst schoon door uitschieters te verwijderen en de schalen van alle variabelen te standaardiseren. Daarna werden twee zogenaamde 'white-box' soft-computingmethoden getraind om de druksterkte te voorspellen: Group Method of Data Handling (GMDH), die een meerlagig netwerk van eenvoudige polynoomvergelijkingen opbouwt, en Gene Expression Programming (GEP), dat wiskundige formules evolueert op een manier geïnspireerd door de genetica. Beide methoden produceren expliciete vergelijkingen die ingenieurs in rekenmachines of spreadsheets kunnen invoeren in plaats van ondoorzichtige code. De data werden gesplitst in trainings- en testsets, en de modellen werden ook gecontroleerd met vijfvoudige cross-validatie om hun stabiliteit te beoordelen.

Welke methode won en wat het meest telt

Het GMDH-model presteerde duidelijk beter dan zowel het GEP-model als klassieke regressiemethoden. Op niet eerder geziene testdata behaalde GMDH een determinatiecoëfficiënt (R²) van 0,942, met lage voorspellingsfouten, wat betekent dat de berekende sterktes nauw aansloten bij de laboratoriummetingen. GEP deed het redelijk maar toonde meer spreiding en hogere fouten, terwijl eenvoudige lineaire en niet-lineaire regressies veel van de onderliggende complexiteit misten. Om te begrijpen welke ingrediënten de sterkte het meest beïnvloedden, gebruikten de onderzoekers een moderne verklaringsmethode genaamd SHAP. Die analyse toonde aan dat het watergehalte de dominante factor was: te veel water veroorzaakt doorgaans extra porositeit en vermindert de sterkte. Uithardingstijd kwam op de tweede plaats—langere uitharding maakt meer hydratatiereacties mogelijk en sterkere mortels. Cementgehalte had een matig effect, terwijl de hoeveelheden RCRT-glas en zand kleinere, secundaire rollen speelden binnen het bestudeerde mengbereik.

Wat dit betekent voor groenere bouw

Voor de algemene lezer is de belangrijkste conclusie dat het zowel veilig als praktisch lijkt om matige hoeveelheden CRT-glas in cementmortels te recyclen zonder de sterkte ernstig te verminderen, mits het mengsel zorgvuldig wordt ontworpen. De GMDH-vergelijkingen bieden ingenieurs een betrouwbaar, gebruiksvriendelijk hulpmiddel om te voorspellen hoe sterk een bepaald RCRT-rijk mortel zal zijn nog voordat er één batch wordt gemengd. Omdat de methode transparant is, kunnen ontwerpers ook zien hoe het veranderen van water, cement of uithardingstijd de prestaties zal verschuiven en compensatie mogelijk maken voor het kleine verlies aan sterkte door het glas. Kort gezegd toont de studie aan dat het combineren van industriële afvalrecycling met interpreteerbare machine-learningmodellen kan helpen om gevaarlijke e-afvalstromen om te zetten in een voorspelbaar, structureel betrouwbaar ingrediënt voor duurzame en zelfs stralingsafschermende bouwmaterialen.

Bronvermelding: Ghorbani, V., Seyedkazemi, A. & Kutanaei, S.S. Predicting compressive strength of mortars containing recycled CRT glass using GMDH and GEP methods. Sci Rep 16, 6655 (2026). https://doi.org/10.1038/s41598-026-36553-8

Trefwoorden: gerecycled CRT-glas, sterkte van cementmortel, duurzame bouw, machine learning-modellen, materialen voor stralingsafscherming