Analyse van mechanische eigenschappen van geopolymeerbeton op basis van suikerrietbagasse-as met behulp van machine learning

Boerenafval omzetten in sterker, schoner beton

Beton is de ruggengraat van moderne steden, maar de productie van gewoon cement veroorzaakt enorme hoeveelheden kooldioxide. Deze studie onderzoekt een manier om die vervuiling terug te dringen door een landbouwafval—as uit de suikerproductie—te gebruiken als sleutelelement van een nieuw soort beton. Ook laat het zien hoe moderne data-instrumenten, waaronder machine learning, ingenieurs kunnen helpen om snel te voorspellen hoe sterk dit groenere beton zal zijn.

Waarom een nieuw soort beton ertoe doet

Traditioneel beton is afhankelijk van Portlandcement, waarvan de productie energie-intensief is en verantwoordelijk voor een aanzienlijk deel van de wereldwijde CO₂-uitstoot. De laatste jaren is “geopolymeer”beton naar voren gekomen als een veelbelovend alternatief. In plaats van cement gebruikt het industriële bijproducten die rijk zijn aan silica en alumina—zoals vliegas van energiecentrales—geactiveerd door alkalische oplossingen. Deze chemie levert een hard, steenachtig bindmiddel op en kan de uitstoot met 22–72% verminderen, zonder in te boeten op sterkte of duurzaamheid. De innovatie in dit werk is dat een deel van de vliegas wordt vervangen door suikerrietbagasse-as, een afvalproduct dat in suikerfabrieken in enorme hoeveelheden ontstaat en vaak op stortplaatsen terechtkomt of als fijne, vervuilende stof vrijkomt.

Van suikerrietvelden naar bouwstenen

India, een van ’s werelds grootste producenten van suikerriet, genereert jaarlijks miljoenen tonnen suikerrietbagasse-as. Chemisch gezien is deze as rijk aan reactieve silica en andere oxiden, wat betekent dat ze zich, mits correct toegepast, vergelijkbaar kan gedragen met traditionele cementadditieven. De onderzoekers verzamelden vliegas en suikerrietbagasse-as uit lokale bronnen, mengden ze in verschillende verhoudingen en combineerden ze met standaardzand en grind. Vervolgens voegden ze natriumhydroxide-oplossingen met uiteenlopende concentraties toe om de geopolymeerreactie te activeren, goten proefstukken en lieten deze uitharden. Het hoofddoel was te bepalen hoeveel vliegas kon worden vervangen door suikerrietas terwijl nog steeds hoge druk-, buig- en treksterktes werden bereikt—de drie belangrijkste maatstaven voor de prestaties van beton onder verschillende spanningsvormen.

Het vinden van de optimale sterkte

Het team testte mengsels waarbij suikerrietbagasse-as 0–50% van de vliegas verving en varieerde de sterkte van de alkalische oplossing. Ze vonden dat zowel de hoeveelheid bagasse-as als de natriumhydroxideconcentratie sterk van invloed waren op de prestaties. Een bijzonder succesvol recept gebruikte 30% suikerrietas en een middel-hoog activatorniveau. Na 28 dagen behaalde dit mengsel een druksterkte van ongeveer 47 megapascal, duidelijk binnen het bereik dat nodig is voor structurele toepassingen en hoger dan het controlemengsel zonder bagasse-as. Vergelijkbare stijgingen waren zichtbaar in buig- en splitsingsproeven, hoewel de sterktes bij de hoogste asgehaltes vlakten of licht daalden. De resultaten suggereren dat er een optimum bestaat: genoeg bagasse-as om de interne bindstructuur te verbeteren, maar niet zoveel dat porositeit en onvolledige reactie het materiaal beginnen te verzwakken.

Algoritmes laten leren van beton

Het meten van betonsterkte in het laboratorium kost veel tijd en geld, vooral wanneer veel variabelen—zoals assoort, vervangingsniveau en chemische concentratie—tegelijk veranderen. Om dit te versnellen trainden de onderzoekers drie soorten machine learning-modellen om sterkte te voorspellen op basis van het mixontwerp: een kunstmatig neuraal netwerk, een random forest en een XGBoost-model. Terwijl het neurale netwerk de trainingsdata goed benaderde, faalde het op nieuwe data, een klassiek teken van overfitting. XGBoost, een krachtige boostingmethode, was bijna perfect op de trainingsset maar verloor ook nauwkeurigheid op testgevallen. Het random forest-model vond het beste evenwicht en behield hoge voorspellende kracht op ongeziene data voor alle drie de sterktematen, waardoor het de meest betrouwbare keuze voor praktische voorspellingen was.

Wat dit betekent voor groenere bouw

Dit werk toont aan dat suikerrietbagasse-as, die voorheen als een afvalprobleem werd beschouwd, kan dienen als een waardevol bestanddeel in hoogwaardig geopolymeerbeton. Bij de juiste mengverhouding en activatorniveaus leidt het niet alleen tot minder stortafval en lagere CO₂-uitstoot, maar levert het ook beton dat even sterk—of sterker—is dan conventionele mengsels. Het combineren van deze groenere recepten met robuuste machine learning-modellen maakt het mogelijk voor ingenieurs om sterkte snel te schatten op basis van het mixontwerp alleen, wat ontwikkelcycli kan verkorten en testkosten kan verminderen. Voor de leek is de conclusie eenvoudig: landbouwresten en slimme algoritmes kunnen samenwerken om schonere, sterkere structuren voor toekomstige steden te bouwen.

Bronvermelding: Pratap, B., Kumar, S., Gupta, K.K. et al. Mechanical properties analysis of geopolymer concrete based on the sugarcane bagasse ash using machine learning. Sci Rep 16, 14485 (2026). https://doi.org/10.1038/s41598-026-44848-z

Trefwoorden: geopolymeerbeton, suikerrietbagasse-as, duurzame bouw, machine learning, vliegas