Het voorspellen van de druksterkte van beton met geoptimaliseerde deep learning en grote taalmodellen

Waarom dit ertoe doet voor veiligere, groenere gebouwen

Beton draagt onze huizen, bruggen en tunnels, maar testen hoe sterk het is betekent meestal weken wachten op laboratoriumresultaten. Deze studie onderzoekt hoe geavanceerde kunstmatige intelligentie de betonsterkte snel en nauwkeurig kan voorspellen op basis van slechts het recept. Snellere, betrouwbaardere voorspellingen kunnen ingenieurs helpen veiligere constructies te ontwerpen, verspilde proef‑en‑fout in het lab te verminderen en het gebruik van koolstofarme ingrediënten zoals industriële bijproducten te vergemakkelijken.

Van rommelige labgegevens naar schone digitale ingrediënten

De onderzoekers beginnen met een grote openbare dataset van betonmengsels. Elke invoer vermeldt hoeveel cement, slak, vliegas, water, chemische toevoegingen, zand, grind en uithardingstijd zijn gebruikt, samen met de uiteindelijk gemeten sterkte. Dergelijke reële data zijn vaak inconsistent: metingen kunnen ontbreken, eenheden kunnen verschillen en vreemde uitschieters sluipen erin. Om dit aan te pakken gebruiken het team grote taalmodellen — algemene AI‑systemen die meestal voor tekst worden ingezet — om te helpen bij het opschonen en herstructureren van de gegevens. Deze modellen ondersteunen taken zoals het controleren van bereikwaarden, het harmoniseren van namen en eenheden, het creëren van zinvolle afgeleide grootheden zoals de water‑binderverhouding en het omgaan met uitschieters. Het doel is een rumoerige spreadsheet om te zetten in een coherente, fysica‑bewuste beschrijving van elk mengsel die leeralgoritmen kunnen verwerken.

Een netwerk leren zowel mengsel als tijd te zien

De betonsterkte draait niet alleen om wat er in de mixer gaat; het gaat ook om hoe de sterkte toeneemt gedurende dagen en weken terwijl het materiaal uithardt. Veel eerdere voorspellingsmethoden richtten zich ofwel op de ingrediënten of op tijdstrends, maar zelden op beide tegelijk. Dit werk gebruikt een ruimtelijk‑temporal graph convolutional network, een type model dat elk ingrediënt (zoals cement, water, slak of additieven) als een knooppunt in een netwerk behandelt, met verbindingen die weergeven hoe sterk ze met elkaar interageren. Tegelijkertijd kijkt het langs de tijdas om te leren hoe deze combinaties in de loop van de tijd sterkte opbouwen. In feite leert het model patronen zoals “hoog cement en laag water leidt doorgaans tot snellere en hogere sterkte,” terwijl het ook subtielere rollen van slak, vliegas en chemische additieven over verschillende uithardingsperiodes vastlegt.

Een "mensachtige" optimizer het AI-systeem laten afstemmen

Zelfs krachtige neurale netwerken kunnen onderpresteren als hun interne instellingen — zoals leersnelheid, aantal lagen of filtergroottes — slecht gekozen zijn. In plaats van handmatig afstemmen gebruiken de auteurs een nieuwe optimalisatiemethode genaamd het iHow Optimization Algorithm. Geïnspireerd door hoe mensen leren, wisselt het algoritme breed verkennen van vele mogelijke ontwerpen af met gerichte verfijning van de meest veelbelovende, terwijl het een soort intern geheugen bijhoudt van wat tot nu toe heeft gewerkt. Deze optimizer doorzoekt de ruimte van netwerkontwerpen en trainingsinstellingen voor het graafgebaseerde model, met als doel de voorspellingsfouten te minimaliseren en overfitting te vermijden. Dezelfde familie van optimalisatie-ideeën wordt ook gebruikt voor featureselectie, waarbij de invoerlijst wordt teruggebracht tot de meest informatieve grootheden om het model compact en interpreteerbaar te houden.

Hoe goed werkt het vergeleken met andere AI‑tools?

Het team voert uitgebreide vergelijkingen uit met een brede reeks alternatieven: standaard diepe netwerken, vision‑achtige transformers, variationale autoencoders, fysica‑geïnformeerde netwerken en verschillende metaheuristische optimizers zoals particle swarm en genetische algoritmen. Ze testen ook vier verschillende preprocessing‑pijplijnen aangestuurd door verschillende taalmodellen, en tonen aan dat beter opschonen en feature‑creatie de uiteindelijke nauwkeurigheid duidelijk verbeteren. Over al deze tests heen levert de combinatie van iHow‑optimalisatie met het ruimtelijk‑temporal graph‑netwerk de laagste voorspellingsfouten en de hoogste overeenstemming met gemeten sterktes. Statistische controles, waaronder variantieanalyse en niet‑parametrische rangtests, bevestigen dat deze verbeteringen waarschijnlijk niet aan toeval te wijten zijn.

Wat dit betekent voor de toekomstige bouwpraktijk

In eenvoudige woorden laat de studie zien dat een zorgvuldig afgestemd, graafgebaseerd AI‑model, gevoed met goed opgeschoonde data, de betonsterkte veel betrouwbaarder kan voorspellen dan eerdere benaderingen. Het model legt vast hoe ingrediënten en uithardingstijd elkaar beïnvloeden en gebruikt een "leren te leren"‑optimizer om zichzelf fijn af te stemmen. Hoewel de auteurs benadrukken dat de methode nog op meer diverse, reële datasets getest moet worden voordat die in bouwvoorschriften of fabriekscontrolesystemen kan worden ingebed, wijst het al op een toekomst waarin ingenieurs groenere mengsels op een computer kunnen verkennen met de zekerheid dat de voorspelde sterktes dicht bij wat later in het lab of op de bouwplaats wordt gemeten zullen liggen.

Bronvermelding: Zaman, S., Eid, M.M., Mattar, E.A. et al. Predicting concrete compressive strength using optimized deep learning and large language models. Sci Rep 16, 11076 (2026). https://doi.org/10.1038/s41598-026-41072-7

Trefwoorden: voorspelling betonsterkte, deep learning in de bouw, graph neural networks, optimalisatie-algoritmen, duurzame betonmaterialen