Een hybride machine learning-benadering voor het voorspellen van de buigsterkte van beton versterkt met afval aluminiumvezels

Van oud metaal naar sterker beton

Jaarlijks produceren fabrieken en huishoudens grote hoeveelheden aluminiumafval afkomstig van blikjes, draden en verspaningsafval. Veel van dit afval is lastig en kostbaar om veilig te verwerken, terwijl aluminium licht, sterk en duurzaam is. Deze studie onderzoekt een eenvoudige vraag met grote gevolgen: kunnen we dat lastige schroot omzetten in kleine vezels die beton zowel groener maken als beter bestand tegen buiging en scheurvorming, en kunnen slimme computermodellen voorspellen hoe sterk het nieuwe materiaal wordt?

Waarom buigsterkte telt

Beton is uitstekend in staat zware lasten te dragen onder druk, maar veel zwakker bij buiging. Wegen, vloeren, brugdekken en start- en landingsbanen falen vaak eerst door buiging en scheuren in plaats van door puur pletten. Het toevoegen van vezels is een manier om beton te helpen uitrekken en samenhang te behouden zodra er scheuren ontstaan. De onderzoekers in dit werk richtten zich op afval aluminiumvezels, uitgesneden uit gebruikte blikjes en ander schroot. Ze mengden deze vezels door beton in hoeveelheden tussen 1% en 5% van het volume en testten hoe goed kleine balken buiging weerstonden. Ze vonden een duidelijk kantelpunt: bij ongeveer 3% vezelinhoud droegen de balken de hoogste buigbelasting en vertoonden ze meer gecontroleerde scheurvorming; daarboven zorgden extra vezels juist voor problemen doordat ze klonterden en de verwerkbaarheid van het verse beton verminderden.

Een slimmere manier om sterkte te voorspellen

Beton ontwerpen met afvalvezels is niet eenvoudig een kwestie van een vezelpercentage gokken. Veel ingrediënten—cement, water, zand, grind, speciale poeders, uithardingstijd en vezelinhoud—interageren op complexe manieren. Om verder te komen dan trial-and-error stelde het team een dataset samen van 195 testresultaten uit hun eigen experimenten en eerdere studies, allemaal met aluminium afvalvezels. Vervolgens trainden ze drie verschillende typen machine learning-modellen om de buigsterkte te voorspellen op basis van acht basisvariabelen van het mengsel en de uitharding: een Random Forest (veel beslissingsbomen die gemiddeld worden), een Extreme Gradient Boosting-model en een Kunstmatig Neuraal Netwerk geïnspireerd op hoe hersencellen verbonden zijn. Elk model is goed in het vastleggen van verschillende patronen in de data.

Modellen combineren en de zwarte doos openen

In plaats van één "beste" model te kiezen, stapelden de onderzoekers ze. In deze hybride aanpak doet elk van de drie modellen zijn eigen voorspelling, en een laatste combinerende laag leert hoe die voorspellingen te wegen om het meest accurate resultaat te krijgen. Dit gestapelde systeem voorspelde de buigsterkte met zeer hoge nauwkeurigheid: het verklaarde meer dan 99% van de variantie in de trainingsdata en ongeveer 96% in nieuwe, niet eerder geziene tests. Om te waarborgen dat het systeem niet slechts een mysterieuze zwarte doos was, gebruikten ze een verklaringsmethode genaamd SHAP. Deze methode wijst elk invoerveld—zoals uithardingsleeftijd of grindgehalte—een aandeel in de verantwoordelijkheid voor de voorspelde sterkte toe. De analyse liet zien dat uithardingsleeftijd en aggregaatgehalten vooral belangrijk waren, terwijl het percentage aluminiumvezels, hoewel nuttig, een kleinere rol speelde dan het vaste skelet van zand en grind dat de belastingen in het beton draagt.

Wat binnen het mengsel het meest telt

Bij nadere bestudering van de verklaringsresultaten bleek dat langere uithardingstijden consequent de buigsterkte verhoogden, waarmee het belang van langzame, vochtige nabehandeling voor echte projecten wordt bevestigd. Grove en fijne aggregaten samen kwamen naar voren als sleutelspelers: hun hoeveelheden en grootteverdeling bepalen hoe scheuren beginnen en zich onder buiging verspreiden. Water en cement hadden een genuanceerder effect—te veel water verzwakt de hechting tussen pasta en stenen, terwijl te veel cement het materiaal bros kan maken. Afval aluminiumvezels hielpen door scheuren te overbruggen en de trekcapaciteit van het beton te verbeteren, maar alleen tot ongeveer 3% van het volume; daarboven werd het mengsel moeilijker te plaatsen en minder uniform, waardoor de voordelen van extra wapening teniet werden gedaan. De modelinspanningen vertaalden zich in praktische aanbevelingen voor reeksen van aggregaat-, cement-, water- en vezelinhoud waarop ingenieurs kunnen mikken bij het ontwerpen van mengsels.

Van laboratoriuminzicht naar groenere constructies

Voor de algemene lezer is de kernboodschap helder: het is mogelijk om weggegooid aluminium te gebruiken als een nuttig ingrediënt dat beton beter bestand maakt tegen buiging, terwijl afval wordt omgeleid van stortplaatsen en de behoefte aan nieuw stalen vezels afneemt. Door zorgvuldige experimenten te combineren met een transparant, multi-model leersysteem creëerden de onderzoekers een soort "calculator" die kan voorspellen hoe sterk een gegeven afvalvezelbetonmengsel zal zijn en uitleggen waarom. Hun resultaten suggereren dat een goed ontworpen mengsel met ongeveer 3% aluminium afvalvezels de buigsterkte kan verbeteren, materiaalkosten kan verlagen en de milieu-impact kan verminderen. Als dit opschaalbaar is en met meer data verder wordt verfijnd, kan deze aanpak ingenieurs helpen industrieel schroot met vertrouwen toe te passen in alledaagse infrastructuur, waardoor bruggen, bestratingen en vloeren zowel steviger als duurzamer worden.

Bronvermelding: Boursas, F., Boufarh, R., Altowaijri, Y. et al. A hybrid machine learning approach for predicting the flexural strength of concrete reinforced with waste aluminium fibres. Sci Rep 16, 10763 (2026). https://doi.org/10.1038/s41598-026-41961-x

Trefwoorden: afval aluminiumvezels, buigsterkte, duurzaam beton, machine learning-modellen, gerecyclede bouwmaterialen