Vergelijkende evaluatie van machine learning- en deep learning-benaderingen voor de voorspelling van de druksterkte van geopolymeerbeton

Een nieuwe manier om groener beton te ontwerpen

Beton is de ruggengraat van moderne steden, maar de productie van traditioneel cement veroorzaakt grote hoeveelheden kooldioxide. Geopolymeerbeton biedt een schoner alternatief, maar ingenieurs vinden het nog steeds lastig om te voorspellen hoe sterk het zal zijn zodra het is uitgehard. Deze studie laat zien hoe moderne data-instrumenten, waaronder machine learning en deep learning, kunnen leren van honderden eerdere experimenten om de sterkte van geopolymeerbetonmengsels te voorspellen en zo groener bouwen te ondersteunen met minder kostbare proefformuleringen.

Waarom groener beton moeilijk precies goed te krijgen is

Geopolymeerbeton vervangt een groot deel van gewoon cement door industriële bijproducten zoals vliegas, slak, metakaoline en silica fume. Deze poeders reageren met alkalische vloeistoffen tot een vaste, steenachtige massa die de sterkte van standaardbeton kan evenaren of overtreffen, terwijl de CO2-uitstoot tot ongeveer 70 procent kan worden verminderd. Maar dit groenere recept is gevoelig: de sterkte hangt af van vele onderling verbonden factoren, waaronder het type en de hoeveelheid poeders, de dosering en concentratie van de alkalische vloeistoffen, de hoeveelheid water en chemische hulpstoffen, zand- en grindkorrels, vezels voor taaiheid, en de duur en omstandigheden van de verharding. Omdat al deze ingrediënten op complexe, niet-lineaire manieren met elkaar interactie hebben, volstaan eenvoudige formules niet om de sterkte van een nieuw mengsel te voorspellen.

Het opbouwen van een allesomvattende dataset

Om deze complexiteit aan te pakken, stelden de auteurs een grote, eenduidige database samen uit 19 gepubliceerde studies, met in totaal 594 verschillende geopolymeerbetonmengsels. Elk record beschrijft sleutelingrediënten zoals de hoeveelheden vliegas, slak, metakaoline, silica fume, zand, grind, water, alkalische vloeistoffen en superplastificeerder, samen met staal- en polypropyleenvezels en de uithardingsleeftijd in dagen. Het team reinigde de gegevens zorgvuldig: ze verwijderden duplicaten, harmoniseerden eenheden en variabelenamen en behielden alleen die mengsels met volledige informatie. Dit resulteerde in een diverse maar consistente set die een breed sterktebereik omvat, van relatief zwakke tot zeer hoogwaardige betonmengsels, in overeenstemming met de variatie die in veel laboratoria wordt gevonden.

Machines laten leren van eerdere mengsels

Met deze database trainden de onderzoekers een reeks voorspellingsmodellen. Aan de klassieke kant gebruikten ze verschillende machine learning-methoden, waaronder beslissingsbomen, random forests en geavanceerde "boosting"-technieken die veel kleine modellen combineren tot een sterke voorspeller. Aan de deep learning-kant testten ze twee neurale netwerken van verschillende diepte en een modern tabelmodel genaamd TabNet, dat een attention-mechanisme gebruikt om zich te concentreren op de meest informatieve ingrediënten. De data werden opgesplitst zodat 80 procent van de mengsels werd gebruikt om de modellen te trainen, terwijl de resterende 20 procent apart werd gehouden om te testen hoe goed elke methode onzichtbare resultaten kon voorspellen met behulp van standaard fout- en fitmaatstaven.

Welke modellen presteerden het best en waarom

De duidelijke winnaar onder de machine learning-benaderingen was een boosting-methode genaamd CatBoost, die zeer nauwkeurige sterktevoorspellingen leverde en de testgegevens nauwkeuriger volgde over het volledige waardenbereik. Een ander boosted model, XGBoost, kwam vlak achteraan. Onder de deep learning-instrumenten presteerde TabNet het beste en deed het effectief mee met het beste machine learning-model, terwijl een dieper neuraal netwerk met meer lagen juist slechter presteerde, waarschijnlijk omdat de dataset te beperkt was voor zo’n complex model. Om deze "black box"-voorspellingen transparanter te maken, gebruikten de auteurs een verklaringsinstrument genaamd SHAP, dat elke invoer een belangrijkheidsscore toekent. Deze analyses toonden aan dat slakgehalte en uithardingsleeftijd consequent dominant zijn bij de sterktevoorspelling, gevolgd door andere binderingrediënten, alkalidosering en hoeveelheid toeslagmateriaal, terwijl staal- en kunststofvezels slechts een secundaire rol spelen voor de druksterkte, hoewel ze sterke effecten kunnen hebben op scheurvorming en taaiheid.

Wat dit betekent voor toekomstige bouw

Kort gezegd toont dit werk aan dat computers kunnen leren van honderden eerdere geopolymeerbetonrecepten om snel en betrouwbaar in te schatten hoe sterk een nieuw, milieuvriendelijk mengsel zal zijn. In plaats van veel testcilinders te gieten en te kneuzen, kunnen ingenieurs deze modellen gebruiken om veelbelovende combinaties van bindmiddelen, activerende vloeistoffen en uithardingsschema’s te selecteren voordat ze naar het laboratorium gaan. De studie benadrukt ook welke ingrediënten het meest van invloed zijn en biedt praktische richtlijnen: het juist instellen van slakgehalte, activeringsniveaus en uithardingscondities is veel belangrijker voor de druksterkte dan het fijn afstellen van vezelgehaltes. Hoewel de modellen nog op grotere en meer gestandaardiseerde datasets gevalideerd moeten worden, vormt dit raamwerk een belangrijke stap naar datagedreven, koolstofarme betonontwerpen.

Bronvermelding: Ezz, H., Bakr, S.M. Comparative evaluation of machine learning and deep learning approaches for compressive strength prediction of geopolymer concrete. Sci Rep 16, 14652 (2026). https://doi.org/10.1038/s41598-026-50705-w

Trefwoorden: geopolymeerbeton, machine learning, deep learning, voorspelling van druksterkte, duurzame bouw