Mechanische eigenschappen van rubberbeton modelleren met gene expression programming (GEP) en random forest: een vergelijkende studie

Oude banden omzetten in sterkere, groenere gebouwen

Jaarlijks belanden miljarden banden aan het einde van hun levensduur vaak op stortplaatsen of in illegale afvalstortplaatsen, waar ze brand- en vervuilingsrisico's vormen. Tegelijk verbruikt de bouwsector enorme hoeveelheden zand, grind en energie, en draagt daardoor in sterke mate bij aan klimaatverandering. Deze studie onderzoekt een manier om beide problemen tegelijk aan te pakken: het vermalen van afgedankte banden en het gebruik van het rubber in beton, en vervolgens geavanceerde computermethodes inzetten om te voorspellen hoe sterk dit nieuwe ‘rubberbeton’ zal zijn zonder eindeloze laboratoriumtesten uit te voeren.

Waarom rubber door beton mengen?

Beton is de ruggengraat van moderne infrastructuur, maar de productie van de ingrediënten, vooral cement en natuurlijke toeslagstoffen, is energie-intensief en put natuurlijke hulpbronnen uit. Door een deel van het zand en grind te vervangen door stukjes afgedankt bandenrubber, kunnen ingenieurs de behoefte aan primaire materialen verminderen en voorkomen dat banden op stortplaatsen terechtkomen. Rubberdeeltjes kunnen beton ook nuttige eigenschappen geven: ze kunnen schokken absorberen, geluid dempen en de weerstand tegen slijtage en temperatuurschommelingen verbeteren. Het toevoegen van rubber verzwakt echter meestal de trek- en scheurweerstand van beton. Exact meten hoeveel sterkte verloren of gewonnen gaat bij elke wijziging van het recept vereist traditioneel veel tijdrovende en dure experimenten.

Computers laten leren van eerdere experimenten

Om te voorkomen dat elk mogelijk mengsel handmatig getest moet worden, maakten de onderzoekers gebruik van machine learning — computermethoden die patronen in data vinden. Ze verzamelden 112 datasets met experimentele resultaten uit studies over de hele wereld, allemaal met rubberbeton. Elk datapunt beschreef een uniek recept, inclusief hoeveelheden grof en fijn toeslagmateriaal, grof en meelrubber, chemische toevoegingen genaamd superplastificeerder, de water-cementverhouding en de leeftijd van het beton. Voor elk recept werden twee sleutel-eigenschappen vastgelegd: buigsterkte (hoe goed een balk buigen weerstaat) en splits-treksterkte (hoe goed het scheuren onder trekbelasting weerstaat). Met deze gecombineerde database trainde het team twee verschillende machine learning-modellen naast elkaar om te zien welk model deze sterktes het beste kon voorspellen.

Twee verschillende manieren waarop een computer "denkt"

De eerste methode, gene expression programming, werkt enigszins als evolutie in de natuur. Ze begint met veel willekeurige wiskundige formules en verbetert die geleidelijk door mutatie en recombinatie te simuleren, waardoor uiteindelijk goed leesbare vergelijkingen ontstaan die mengingrediënten aan sterkte koppelen. De tweede methode, random forest, bouwt een grote verzameling beslisbomen — eenvoudige regelgebaseerde modellen — en laat ze ‘‘stemmen’’ over de voorspelde sterkte. Terwijl random forest meer als een black box gedraagt, is het vaak zeer nauwkeurig. Beide modellen werden zorgvuldig getuned en geëvalueerd met standaardstatistieken die voorspelde sterktes vergelijken met de in het laboratorium gemeten waarden voor mengsels die de modellen nog niet hadden gezien.

Wat de modellen leerden over rubberbeton

Beide benaderingen vingen het algemene gedrag van rubberbeton, maar random forest was nauwkeuriger. Voor onzichtbare testdata reproduceerde het de buig- en treksterktes met correlatiewaarden die dicht bij perfecte overeenstemming lagen, duidelijk beter dan gene expression programming. Foutanalyses toonden dat de meeste voorspellingen binnen een bescheiden marge van de werkelijke waarden lagen, met slechts enkele uitbijters. Om de black box te openen gebruikte het team een hulpmiddel genaamd SHAP, dat elk ingrediënt een aandeel in de verantwoordelijkheid voor elke voorspelling toewijst. Dit liet zien dat traditionele toeslagmaterialen en de water-cementverhouding sterk van invloed zijn op de buigsterkte, terwijl de hoeveelheid en het type rubber, samen met superplastificeerder en watergehalte, sleutelrollen spelen in de trekweerstand van het beton. Over het algemeen leidden meer rubber en meer water vaak tot verminderde sterkte, terwijl goed gebalanceerde toeslagmaterialen en additieven enige prestatie konden terugwinnen.

Wat dit betekent voor de toekomstige bouw

Voor niet-specialisten is de belangrijkste conclusie dat we realistisch groenere betonsamenstellingen kunnen ontwerpen die oude banden recyclen zonder in het duister te tasten. De studie toont aan dat slimme computermodellen, vooral random forests, betrouwbaar kunnen voorspellen hoe wijzigingen in een rubberbetonrecept het scheur- en buiggedrag beïnvloeden, met slechts een handvol gemakkelijk meetbare invoerwaarden. Dat betekent dat ingenieurs kunnen besparen op dure proef-en-fouttesten, de acceptatie van afvalgebaseerde materialen kunnen versnellen en met meer vertrouwen mengsels kunnen specificeren die milieuvoordelen combineren met veiligheid en duurzaamheid. Op de lange termijn kunnen dergelijke hulpmiddelen bergen afgedankte banden helpen omzetten in veilige bruggen, bestratingen en gebouwen, en zowel afvalbergen als de CO2-voetafdruk van de bouw verkleinen.

Bronvermelding: Sheraz, M., Talha, M., Alam, M. et al. Modeling mechanical properties of rubberized concrete using gene expression programming (GEP) and random forest: a comparative study. Sci Rep 16, 8714 (2026). https://doi.org/10.1038/s41598-026-40897-6

Trefwoorden: rubberbeton, recycling van afgedankte banden, machine learning in de bouw, random forest modellering, duurzame materialen