Fysica-geleid machine learning-kader voor RCA-beton via experimentele database, modellering en statistische validatie

Oud beton omzetten in een nieuwe hulpbron

Elk jaar wordt miljarden tonnen gebroken beton van gesloopte gebouwen en wegen als afval behandeld, terwijl veel daarvan hergebruikt zou kunnen worden. Deze studie onderzoekt hoe dat puin kan worden omgezet in betrouwbaar nieuw beton door nauwkeurige laboratoriumtests te combineren met moderne machine learning. Het doel is de bouw duurzamer te maken zonder in te boeten aan veiligheid, door precies te achterhalen hoeveel gerecycled materiaal gebruikt kan worden en onder welke omstandigheden.

Waarom betonhergebruik niet eenvoudig is

Gerecycled betonaggregaat ontstaat door oud beton te verkleinen tot deeltjes die het grind en zand kunnen vervangen die normaal voor nieuwbouw gedolven worden. Het gebruik ervan vermindert afval, steengroeven en transportemissies. Maar deze gerecyclede deeltjes dragen nog steeds resten van oude mortel en kleine scheurtjes, waardoor ze poreuzer en minder uniform zijn dan natuurlijk gesteente. Daardoor kan beton met gerecycled aggregaat kracht verliezen en moeilijker voorspelbaar worden. Ingenieurs hebben duidelijke, betrouwbare regels nodig over hoe verschillende hoeveelheden, afmetingen en kwaliteiten van gerecycled aggregaat de sterkte van nieuw beton beïnvloeden.

Een rijk experimenteel beeld opbouwen

Om deze vragen te beantwoorden voerden de onderzoekers een uitgebreide reeks betonmengsels uit met gerecycled materiaal afkomstig uit zes verschillende oorspronkelijke sterkteklassen, variërend van zeer zwak tot sterk constructiebeton. Ze splitsten de gerecyclede aggregaten in drie afmetingsgroepen — fijn, middel en grindgroot — en gebruikten ze om 10% tot 50% van het natuurlijke aggregaat te vervangen, terwijl de water- en cementcondities gelijk werden gehouden. Voor elk mengsel maten ze druksterkte (hoeveel samendrukking het kan verdragen), splijt-treksterkte (gedrag onder trek) en buigsterkte (hoe het buigt). Over alle tests daalde de sterkte consequent naarmate het aandeel gerecycled aggregaat toenam, maar de omvang van de daling hing sterk af van zowel de deeltjesgrootte als de kwaliteit van het oorspronkelijke beton. Fijne gerecyclede deeltjes, met meer aangehechte oude mortel en poriën, deden het meeste afbreuk aan de sterkte, terwijl grove en grindgrote deeltjes minder schadelijk waren.

Veilige grenzen en belangrijkste invloeden vinden

De experimentele resultaten leidden tot nuttige ontwerprichtlijnen die praktische bouw kunnen sturen. Wanneer het gerecyclede materiaal afkomstig was van laagsterkte ouders beton, leidde vervanging van 30% van het natuurlijke aggregaat tot verlies in de dubbele cijfers zowel in druk- als treksterkte, vooral bij gebruik van fijne deeltjes. Daarentegen, wanneer het gerecyclede aggregaat afkomstig was van hoogwaardig beton, waren de sterkteverliezen bij 30% vervanging klein en bleef de algehele prestatie acceptabel voor constructief gebruik. In veel reeksen verscheen een consistente ‘‘kantelpunt’’: mengsels met 10% of 20% gerecycled aggregaat behielden over het algemeen goede sterkte, terwijl het overschrijden van ongeveer 30% een merkbare daling bracht, met name voor zwakkere bronmaterialen en fijnere fracties. Deze patronen komen overeen met eerdere studies en tonen aan dat niet alle gerecyclede aggregaten gelijk zijn — kwaliteit en grootte doen ertoe.

Machines leren de fysica te respecteren

Aangezien het uitvoeren van eindeloze laboratoriumtesten onpraktisch is, wendde het team zich tot machine learning om sterkte te voorspellen voor nieuwe combinaties die niet fysiek waren getest. In plaats van de computer alleen met ruwe data te voeden, introduceerden ze wat ze een fysica-geleid kader noemen. Eerst maakten ze de testresultaten zorgvuldig schoon en ordelijk, daarna creëerden ze aanvullende ‘‘synthetische’’ datapunten door mengparameters en sterktes binnen nauwe, realistische grenzen licht te verschuiven die de gebruikelijke laboratoriumvariabiliteit weerspiegelen. Vervolgens gebruikten ze een geavanceerde oversamplingmethode om hiaten tussen geteste mengsels op te vullen, maar alleen langs richtingen die fysisch logisch waren. Deze verrijkte datasets trainden twee veel gebruikte ensemblemodellen, XGBoost en LightGBM, samen met eenvoudige lineaire surrogaatvergelijkingen die de dominante trends samenvatten in een vorm die ingenieurs gemakkelijk kunnen toepassen.

Hoe goed de voorspellingen werken

Eenmaal getraind werden de modellen beoordeeld op volledig ongeziene testmengsels. Hun voorspellingen voor druk- en treksterkte kwamen nauw overeen met de metingen, met fouten binnen het bereik dat gewoonlijk wordt gezien bij herhaalde laboratoriumtests. De modellen waren bijzonder nauwkeurig voor treksterkte, waar het onderliggende degradatiepatroon bij meer gerecycled aggregaat vloeiender en gemakkelijker te vangen is. Belangrijk is dat de auteurs controleerden dat de voorspelde sterkteafnames bij een hoger gerecycled gehalte geen statistische toevalligheden waren: standaard statistische toetsen toonden aan dat deze trends zowel sterk als zeer significant zijn. Door modelversies met en zonder fysica-geleide data-expansie te vergelijken, vonden ze dat de geleide aanpak iets minder spectaculaire nauwkeurigheidsscores opleverde, maar veel stabieler en realistischer gedrag gaf, met name in regio’s met veel vervanging en weinig data.

Wat dit betekent voor groenere bouw

In praktische termen toont dit werk aan dat het mogelijk is computers te gebruiken om groenere betonmengsels te ontwerpen die vertrouwen op gerecycled materiaal, zonder de onderliggende fysica als bijzaak te behandelen. De studie bevestigt dat bescheiden hoeveelheden gerecycled aggregaat van hoge kwaliteit — met name groffere deeltjes uit sterker oud beton — veilig een aanzienlijk aandeel van het natuurlijke aggregaat kunnen vervangen. Tegelijkertijd laat het een manier zien waarop machine learning gegrond kan blijven in gedrag uit de echte wereld door bekende grenzen en trends te respecteren. Dit soort fysica-bewuste voorspellingsinstrument kan ingenieurs helpen sneller en beter beslissingen te nemen over mengselontwerp, en zo de bredere adoptie van gerecycled beton ondersteunen terwijl constructies veilig en betrouwbaar blijven.

Bronvermelding: Mohamud, M.A., Alasiri, M.R., Özdöner, N. et al. Physics-guided machine learning framework for RCA concrete by experimental database, modelling, and statistical validation. Sci Rep 16, 7907 (2026). https://doi.org/10.1038/s41598-026-38554-z

Trefwoorden: gerecycled betonaggregaat, duurzame bouw, machine learning in materialen, data-gedreven mengselontwerp, beton sterktevoorspelling