Hybride generatief-ensemblebenadering voor het voorspellen van sterkte-eigenschappen van beton met gerecycled toeslagmateriaal

Waarom dit onderzoek ertoe doet voor onze gebouwde omgeving

Beton is alomtegenwoordig in het moderne leven, maar de productie ervan verbruikt enorme hoeveelheden zand, steen en cement en stoot veel kooldioxide uit. Een veelbelovende manier om deze impact te verkleinen is het hergebruiken van gebroken beton uit oude constructies als nieuw bouwmateriaal. Het probleem is dat beton gemaakt met gerecyclede delen zich niet altijd hetzelfde gedraagt als beton uit vers gesteente. Deze studie laat zien hoe moderne datahulpmiddelen ingenieurs kunnen helpen de sterkte van zulke groenere betonmengsels te voorspellen voordat ze ook maar één proefblok gieten.

Puinhopen transformeren tot een grondstof

Bouw- en sloopplaatsen produceren jaarlijks bergen betonafval. In plaats van dit puin naar stortplaatsen te sturen, kan het gebroken en hergebruikt worden als toeslagmateriaal, het grindachtige skelet in nieuw beton. Het vervangen van natuurlijk zand en stenen door gerecyclede deeltjes helpt uitgeputte natuurlijke hulpbronnen te sparen en verlaagt de totale milieu-impact van bouwprojecten. Gerecyclede deeltjes dragen echter vaak oude cementresten op hun oppervlak, hebben meer porositeit en vormen zwakkere contactzones in het nieuwe mengsel. Deze eigenschappen kunnen de draagcapaciteit van het beton verminderen, waardoor ontwerpers terughoudend zijn om grote aandeel gerecycled materiaal te gebruiken.

Leren van eerdere mengsels

Om deze uitdaging aan te pakken verzamelden de onderzoekers gegevens van 112 verschillende betonrecepten die zowel natuurlijke als gerecyclede toeslagmaterialen gebruikten. Voor elk mengsel noteerden ze hoeveel water, cement, zand, grind en gerecycled materiaal erin zat, samen met vier belangrijke uitkomsten: druksterkte, split-trekkracht, buigtreksterkte en stijfheid. Omdat 112 voorbeelden bescheiden is voor het trainen van krachtige datamodellen, gebruikte het team eerst een generatief hulpmiddel, een conditionele variational autoencoder, om duizenden aanvullende synthetische mengsels te creëren die de patronen van de echte nabootsen. Deze stap hielp de modellen een grotere variëteit aan realistische combinaties te zien, terwijl ze nog steeds worden getoetst aan reële testresultaten.

Een gereedschapskist met datamodellen testen

Vervolgens vergeleek het team zeven verschillende machine learning-benaderingen om elk van de vier sterkte-eigenschappen te voorspellen op basis van de mengingrediënten. Sommige waren eenvoudige lineaire modellen, die rechte-lijnrelaties veronderstellen, terwijl andere flexibele boomgebaseerde methoden en support vector machines waren die complexere patronen in de data kunnen vastleggen. Ze trainden en evalueerden deze modellen met zorgvuldige kruisvalidatie zodat elke beoordeling werd gedaan op gegevens die het model nog niet had gezien, en ze hielden een aparte verborgen testset van echte mengsels voor de eindbeoordeling. Gradient boosting en support vector regression staken er duidelijk uit: ze leverden zeer nauwkeurige en stabiele voorspellingen voor alle vier eigenschappen en overtroffen zowel basis lineaire fits als standaardformules uit bouwcodes, vooral bij hoge recyclaataandelen.

In het zwarte hok kijken

Krachtige datamodellen zijn alleen nuttig voor ingenieurs als ze vertrouwd en begrepen kunnen worden. Om de ‘zwarte doos’ te openen gebruikten de auteurs een techniek genaamd feature-attribuering, die meet hoeveel elk ingrediënt in het mengsel een voorspelling omhoog of omlaag duwt. Ze vonden dat de bindermix—met name de water-cementverhouding en de hoeveelheid cement—de belangrijkste bepalende factor is voor de druk-, trek- en buigsterkte. Daarentegen wordt de stijfheid vooral bepaald door de toeslagmaterialen zelf, waarbij gerecycled fijnmateriaal een bijzonder sterke rol speelt. Een hoger aandeel gerecycled fijnmateriaal maakt het beton doorgaans flexibeler omdat deze korrels minder stijf zijn en oud, zwakker mortel bevatten. Deze patronen komen overeen met lang bestaande laboratoriumwaarnemingen, wat vertrouwen geeft dat het model echt fysisch gedrag leert in plaats van ruis.

Van slimme voorspellingen naar slimmer ontwerp

In eenvoudige woorden toont dit werk aan dat data-gestuurde hulpmiddelen ingenieurs kunnen helpen snel groenere betonmengsels met gerecycled puin te screenen terwijl ze toch voldoen aan veiligheids- en prestatie-eisen. De studie demonstreert dat bepaalde moderne algoritmen met hoge nauwkeurigheid kunnen voorspellen hoe sterk en stijf een voorgesteld mengsel zal zijn, en kunnen aangeven welke veranderingen in water-, cement- of toeslaggehalte het meeste uitmaken. Hoewel de huidige resultaten beperkt zijn tot het bereik van mengsels in de onderliggende studies, kan dezelfde workflow worden uitgebreid naarmate er meer gegevens beschikbaar komen. Dit effent de weg voor praktische ontwerphulpmiddelen die bouwers begeleiden naar duurzamere betonkeuzes zonder in te boeten op structurele betrouwbaarheid.

Bronvermelding: Awoyera, P.O., Simwanda, L., Vasić, M.V. et al. Hybrid generative–ensemble approach for predicting recycled aggregate concrete strength properties. Sci Rep 16, 15205 (2026). https://doi.org/10.1038/s41598-026-42598-6

Trefwoorden: gerecycled beton, machine learning, materiaalsterkte, duurzame bouw, data-gestuurd ontwerp