Voorspellen van de ongebonden druksterkte van geopolymervastgemaakte klei met een sector fruitvlieg–gebaseerde extreme learning machine

Sterkere ondergrond met minder milieubelasting

Ingenieurs over de hele wereld moeten zachte, klei‑rijke gronden omzetten in stevige funderingen voor wegen, gebouwen en dammen. Traditioneel betekent dit het toevoegen van grote hoeveelheden gewoon Portlandcement, een belangrijke bron van CO₂‑uitstoot. Deze studie onderzoekt een schoner alternatief: het gebruik van industriële bijproducten, geopolymers genoemd, om klei te versterken, en het toepassen van een slimme vorm van kunstmatige intelligentie om te voorspellen hoe sterk de behandelde grond wordt zonder eindeloze laboratoriumproeven.

Industriële reststoffen omzetten in nuttige bindmiddelen

Geopolymers zijn bindmiddelen die ontstaan door aluminosilicaatrijke poeders—zoals gemalen hoogovenslak (GGBS) en vliegas—te activeren met alkalische oplossingen. Wanneer ze met klei worden gemengd, vormen ze stijve, steenachtige netwerken die hoge sterkte, geringe krimp en goede duurzaamheid kunnen leveren, terwijl ze veel minder CO₂ uitstoten dan conventioneel cement. Eerdere experimenten hebben aangetoond dat geopolymervastgemaakte klei sterktes kan bereiken van bijna nul tot meer dan 40 megapascals, afhankelijk van de samenstelling. Het resultaat hangt echter sterk af van veel factoren tegelijk: de natuurlijke plasticiteit van de klei, hoeveel slak of vliegas wordt toegevoegd, de sterkte van de alkalische oplossing en de balans van sleutel‑elementen zoals natrium, silicium en aluminium.

Waarom het voorspellen van bodemsterkte zo lastig is

Om een praktisch mengsel te ontwerpen willen ingenieurs vooraf weten hoe sterk een bepaald recept zal zijn. Voor elk mogelijk mengsel volledige laboratoriumprogramma’s draaien is traag en kostbaar. Traditionele statistische formules schieten tekort omdat de relaties tussen bodemtype, geopolymeer‑samenstelling en resulterende sterkte sterk niet‑lineair zijn. Moderne machine‑learningtools—zoals neurale netwerken en support vector machines—hebben de voorspellingen verbeterd, maar ze vereisen vaak veel afstemming, kunnen overfitten bij kleine datasets en gedragen zich vaak als ondoorzichtige “black boxes” die niet duidelijk maken welke ingrediënten het meest bepalend zijn.

Een slimmer leeralgoritme geleid door een digitale zwerm

De auteurs verzamelden 270 testresultaten uit eerdere studies over geopolymervastgemaakte klei, met verschillende bodemtypen, bindermengsels, alkaliconcentraties en uithardingscondities. Ze trainden vervolgens drie verwante voorspellingsmodellen. De kernmotor, een extreme learning machine, is een snel neuraal netwerk dat de meeste interne instellingen in één analytische stap vastlegt in plaats van via langzaam trial‑and‑error trainen. Om die interne instellingen te verfijnen koppelden ze het netwerk aan een “fruitvliegoptimalisatie”routine die nabootst hoe fruitvliegen naar voedsel zoeken. In hun verbeterde versie, sector fruitvlieg‑optimalisatie, dwaalt de virtuele zwerm niet willekeurig rond; in plaats daarvan verkent ze de zoekruimte in gelijkmatig verdeelde sectoren, wat de stabiliteit verbetert en het algoritme helpt sneller een goede oplossing te vinden.

Betere voorspellingen en helderder inzicht in wat belangrijk is

Wanneer getest op niet eerder geziene data voorspelde het basismodel de ongebonden druksterkte—hoeveel compressie de behandelde klei kan verdragen—al redelijk goed. Het toevoegen van de oorspronkelijke zwermzoekroutine verbeterde de nauwkeurigheid verder. De sectorgebaseerde zwerm presteerde het best, met een vermindering van de voorspellingsfout van ongeveer 42 procent vergeleken met het basismodel en 19 procent vergeleken met de eerdere fruitvliegversie, terwijl de rekentijd laag genoeg bleef voor een gewone laptop. De meeste voorspelde sterktes lagen dicht bij de gemeten waarden en de foutpatronen suggereerden dat het model goed generaliseerde in plaats van alleen de trainingsdata te memoriseren.

Complexe modellen vertalen naar praktische recepturen

Om de “black box” open te maken pasten de onderzoekers een techniek toe genaamd SHAP‑analyse, die elke invoer een bijdrage toekent aan de eindvoorspelling. Dit onthulde dat het slakgehalte (GGBS) de meest invloedrijke factor was voor het verhogen van de sterkte, waarbij de plasticiteit en de vloeigrens van de klei ook belangrijke rollen speelden. Bepaalde mengparameter—zoals een overmaat aan vliegas of zeer hoge plasticiteit—neigden de sterkte te verlagen, terwijl een geschikte alkaliconcentratie en de natrium‑tot‑aluminiumverhouding meer bescheiden positieve effecten gaven. Deze inzichten, gecombineerd met de nauwkeurige voorspellingen, maken de sector fruitvlieg‑versterkte learning machine tot een veelbelovend hulpmiddel voor het sturen van geopolymeer‑mengontwerp, waarmee ingenieurs recepten kunnen kiezen die sterke, stabiele grond opleveren met minder proeven en een kleinere ecologische voetafdruk.

Bronvermelding: Abdellatief, M., mortagi, M. Predicting unconfined compressive strength of geopolymer-stabilized clays using a sector fruit fly–based extreme learning machine. Sci Rep 16, 12723 (2026). https://doi.org/10.1038/s41598-026-47208-z

Trefwoorden: geopolymervastgemaakte klei, voorspelling van bodemsterkte, machine learning in geotechniek, duurzame grondverbetering, extreme learning machine