Verbeterde voorspelling van wrijving en cohesie van aangepaste onverzadigde grond met toevoeging van nanogestructureerde groevehoudende steengruis (NQF)

Waarom sterkere grond belangrijk is voor het dagelijks leven

Wegen, taluds en funderingen voor gebouwen zijn allemaal afhankelijk van de draagkracht van de grond eronder. In veel tropische gebieden bestaat die grond uit vochtgevoelige laterietklei die verzwakt bij nat worden en verstevigt bij droging, wat kan leiden tot scheuren, spoorvorming en kostbare reparaties. Deze studie onderzoekt hoe dergelijke gronden sterker en voorspelbaarder gemaakt kunnen worden door gerecyclede minerale poeders toe te voegen en vervolgens kunstmatige intelligentie te gebruiken om te voorspellen hoe de behandelde grond zal presteren. Het doel is veiliger, duurzamer infrastructuur met minder trial-and-error testen in het laboratorium.

Lokale afvalstromen benutten als nuttige grondadditieven

De onderzoekers begonnen met een problematische laterietgrond uit Zuid-Nigeria, geclassificeerd als zeer plastisch met een aanzienlijk kleigehalte en beperkte natuurlijke schuifsterkte. Ze combineerden deze grond met twee typen fijn gemalen, grotendeels afvalgerelateerde materialen. Het ene is een "hybride cement" gemaakt van rijstschil-as geactiveerd met een kleine hoeveelheid kalk, en het andere zijn nanogestructureerde groevehoudende steengruisdeeltjes die door het malen van breekzand tot extreem kleine deeltjes zijn verkregen. Deze additieven bevatten reactieve oxiden die met grondmineralen kunnen binden en, dankzij hun kleine afmetingen, in poriën tussen korrels kunnen passen, wat mogelijk zowel wrijving als cohesie binnen het grondmatrix vergroot.

Van arbeidsintensieve proeven naar slimme voorspellingen

Traditioneel moeten ingenieurs tijdrovende en apparatuurintensieve schuifproeven uitvoeren om twee belangrijke grondsterkte-eigenschappen te bepalen: de wrijvingshoek en de cohesie. In plaats van uitsluitend op dergelijke proeven te vertrouwen, genereerde deze studie een rijke experimentele databank en trainde vervolgens computermodellen om deze eigenschappen te voorspellen op basis van eenvoudigere metingen. Het team voerde veel laboratoriummengsels uit, varieerde de hoeveelheden hybride cement en nanogestructureerde steengruis en mat elf invoereigenschappen zoals kleigehalte, plasticiteit, dichtheid en vochtkarakteristieken. Ze gebruikten een eenvoudige lineaire regressie als basislijn en pasten vervolgens drie geavanceerdere "intelligente" benaderingen toe: support vector machines, radial basis function networks en multilayer perceptron neurale netwerken.

Hoe de machines leerden de grond te interpreteren

De dataset, bestaande uit 121 waarnemingen, werd gesplitst in een groter deel voor training en een kleiner deel voor testen, waarbij het idee van eerst studeren en daarna een examen leggen werd nagebootst. Elk model leerde de elf invoergrondkenmerken te koppelen aan de twee doeluitgangen: wrijvingshoek en cohesie. De prestaties werden beoordeeld met meerdere standaardstatistieken die nagaan hoe dicht de voorspellingen bij echte testresultaten liggen en hoe goed de modellen generaliseren naar ongeziene data. Terwijl alle methoden goed presteerden, staken de op neurale netwerken gebaseerde benaderingen — met name de multilayer perceptron — er bovenuit. Zij vingen subtiele, niet-lineaire relaties in de data op, behaalden zeer hoge correlaties met gemeten sterktes en zeer lage voorspellingsfouten voor zowel wrijving als cohesie.

Wat werkelijk de sterkte van de behandelde grond bestuurt

Om verder te gaan dan "black box"-voorspellingen voerden de auteurs een gevoeligheidsanalyse uit die rangschikt welke invoeren het belangrijkst zijn. Ze vonden dat het gewicht van de onverzadigde grond de dominante factor was die de wrijvingshoek beheerst, wat benadrukt hoe verdichting en vochttoestand bepalen hoe deeltjes tegen elkaar schuren en vergrendelen. Voor cohesie bleek het kleigehalte het meest invloedrijk, in overeenstemming met de manier waarop fijne, actieve kleien en bindende producten deeltjes aan elkaar hechten. De minerale additieven zelf — hybride cement en nanogestructureerde groevehoudende steengruis — toonden eveneens een sterke positieve invloed, vooral in combinatie met dichtheids- en vochtparameters. Dit beeld komt overeen met microscopisch bewijs: nanodeeltjes en as-gebaseerde bindmiddelen vullen holtes, coaten korrels en bouwen een dichtere, meer gebonden skeletstructuur op.

Van onderzoekscode naar een bruikbaar ontwerpgereedschap

Om het werk direct bruikbaar te maken voor praktijkmensen, implementeerde het team het best presterende neurale netwerk in een grafische gebruikersinterface. Met dit hulpmiddel kan een ingenieur basisinformatie over grond en mengsel invoeren en direct geschatte waarden voor wrijving en cohesie verkrijgen, in plaats van nieuwe ronden geavanceerde schuifproeven te plannen. De interface is ontworpen rond de experimenteel ondersteunde bereiken van elke parameter, maar kan worden uitgebreid naarmate er meer data beschikbaar komen of worden aangepast aan andere grondtypes.

Wat dit betekent voor projecten in de praktijk

Voor niet-specialisten is de conclusie eenvoudig: de studie laat zien dat lokaal gewonnen, afvalgebaseerde poeders de sterkte van lastige tropische gronden aanzienlijk kunnen verbeteren, en dat moderne machine-learningtools deze verbetering betrouwbaar kunnen voorspellen op basis van makkelijk meetbare eigenschappen. Deze combinatie vermindert zowel de ecologische voetafdruk — door agrarisch en steengroeveafval te recyclen — als de kosten en complexiteit van geotechnische testen. In de praktijk betekent dit beter onderbouwde ontwerpen van wegen en grondwerken, vooral in regio's waar laboratoriummiddelen beperkt zijn maar de behoefte aan veerkrachtige infrastructuur groot is.

Bronvermelding: Kamchoom, V., Van, D.B., Hosseini, S. et al. Enhanced forecasting of friction and cohesion of augmented unsaturated soil with nanostructured quarry fines (NQF) addition. Sci Rep 16, 8899 (2026). https://doi.org/10.1038/s41598-026-43458-z

Trefwoorden: onverzadigde grond, machine learning, grondstabilisatie, nanogestructureerde groevehoudende steengruis, geotechnische engineering