Beton draagt onze gebouwen, bruggen en wegen, maar de productie van cement erin stoot grote hoeveelheden kooldioxide uit. Tegelijkertijd produceren palmoliefabrieken bergen as die vaak worden weggegooid. Deze studie onderzoekt hoe die as kan worden omgezet in een nuttig ingrediënt voor beton, en hoe slimme computerprogramma’s betrouwbaar kunnen voorspellen hoe sterk dergelijk “groen” beton zal zijn voordat er ook maar één partij wordt gestort.
Waarom palmolie-as ertoe doet
Palmoliebrandas is een stoffig bijproduct dat overblijft na het verbranden van palmafval voor energie. In landen met veel palmolie stapelt het zich in enorme hoeveelheden op en kan het afval- en vervuilingsproblemen veroorzaken. Toch bevat deze as reactieve deeltjes die deels cement in beton kunnen vervangen. Het gebruik ervan dient twee doelen tegelijk: het vermindert de behoefte aan energie-intensief cement en recyclet een landbouwafvalstof. Eerdere experimenten toonden aan dat, mits zorgvuldig verwerkt en toegepast, palmolie-as beton kan opleveren dat sterk en duurzaam is. De uitdaging is dat de sterkte afhangt van veel onderling werkende ingrediënten en uithardingscondities, dus ontwerpers hebben een snelle en betrouwbare manier nodig om de prestatie te schatten zonder eindeloze tests uit te voeren.
Een slim model laten leren van honderden mengsels Figure 1.
De onderzoekers verzamelden gegevens uit 22 gepubliceerde studies en kwamen uit op 469 verschillende betonmengsels die allemaal palmoliebrandas gebruikten. Voor elk mengsel registreerden ze zes belangrijke ingrediënten en condities: hoeveel cement en as werden gebruikt, hoeveel chemische vloeistof (superplastificeerder) werd toegevoegd, de verhouding tussen grof en fijn aggregaat, de water-/binderverhouding en hoe lang het beton werd uitgehard voordat het werd getest. Vervolgens gebruikten ze kunstmatige intelligentie en bouwden een computermodel geïnspireerd op de manier waarop zenuwcellen in de hersenen met elkaar verbinden, bekend als een kunstmatig neuraal netwerk. Dit type model leert door voorbeelden: het ziet vele combinaties van invoerwaarden en de bijbehorende sterktes, en past geleidelijk zijn interne verbindingen aan om die uitkomsten na te bootsen.
Het brein versterken met een evolutie-geïnspireerde zoekmethode
Op zichzelf kan een neuraal netwerk lastig af te stemmen zijn. Als de interne instellingen slecht gekozen zijn, kan het vastlopen op middelmatige prestaties. Om dit te voorkomen koppelde het team het neurale netwerk aan een tweede algoritme dat nabootst hoe soorten zich verspreiden en zich aanpassen over eilanden, genaamd biogeography-based optimization. In dit schema vertegenwoordigt elk “eiland” een andere set netwerkinstellingen. Kenmerken van succesvolle eilanden migreren naar zwakkere, terwijl af en toe willekeurige veranderingen de zoekopdracht behoeden voor stagnatie. Over vele cycli verfijnt deze hybride aanpak het netwerk zodat het beter aansluit op de gemeten betonsterktes.
Hoe goed het hybride model presteert Figure 2.
Om te testen of hun hybride model zijn waarde echt waarmaakt, deelden de auteurs de 469 mengsels in afzonderlijke groepen voor training, afstemming en onafhankelijke tests, en gebruikten ze ook kruisvalidatiemethoden die de gegevens herhaaldelijk herschikken. Ze vergeleken het hybride netwerk met een standaard neuraal netwerk en met eerdere modellen uit de literatuur. De hybride versie voorspelde consequent de druksterkte nauwkeuriger: meer dan 60% van zijn voorspellingen lag binnen 5% van de gemeten waarden, vergeleken met ongeveer 39% voor het conventionele model. De totale fout was kleiner en de voorspellingen waren stabieler wanneer de gegevens op verschillende manieren werden herverdeeld. Analyse van het getrainde model toonde ook welke factoren het meest van belang waren, waarbij uithardingstijd en de water-/binderverhouding als de belangrijkste bepalende factoren van sterkte naar voren kwamen.
Wat dit betekent voor groener bouwen
Voor ingenieurs en planners biedt de studie een praktisch hulpmiddel: gegeven een kandidaatmengsel dat palmoliebrandas bevat, kan het hybride model snel inschatten hoe sterk het resulterende beton waarschijnlijk zal zijn, binnen het bereik van mengsels waarmee het model is getraind. Dat kan tijd besparen, kostbare testpartijen verminderen en het bredere gebruik van afvalgebaseerde materialen stimuleren die cementgebruik en emissies verlagen. Hoewel het model nog wordt beperkt door hiaten en verschillen in de onderliggende experimentele studies, laat het zien dat het combineren van leren uit data met evolutie-geïnspireerde zoekmethoden kan helpen de complexiteit van moderne duurzame betonsamenstellingen te beheersen en groener bouwen een stap dichter bij de dagelijkse praktijk brengt.
Bronvermelding: Kazemi, R., Pour, M.A. & Gandomi, A.H. Hybrid machine learning approach for predicting compressive strength of sustainable concrete incorporating palm oil fuel ash.
Sci Rep16, 14033 (2026). https://doi.org/10.1038/s41598-026-46190-w
