AI-gestuurde niet-destructieve toetsing voor slimme productie van koolstofnegatieve biopolymeer-gebonden grondcomposiet

Slimmere bouwstenen voor een opwarmende wereld

Gebouwen zijn verantwoordelijk voor een groot deel van de wereldwijde CO2-uitstoot, grotendeels door cementgebonden beton. Deze studie verkent een heel ander soort bouwsteen: stenen gemaakt van grond die bijeen wordt gehouden door natuurlijke polymeren, die in feite meer koolstof kunnen vastleggen dan ze uitstoten. De onderzoekers laten zien hoe kunstmatige intelligentie en eenvoudige trillingsproeven verborgen gebreken in deze “groene” stenen kunnen opsporen terwijl ze nog zacht zijn en ook kunnen volgen hoe ze drogen en uitharden—wat de weg vrijmaakt voor veiliger, minder verspilling en klimaatsvriendelijker bouwen.

Stenen gemaakt door de natuur, niet door cement

Het materiaal in het hart van dit werk wordt een biopolymeer-gebonden grondcomposiet genoemd. In plaats van cement gebruikt het polymeren afkomstig uit biologische bronnen, zoals eiwitten, om zandkorrels aan elkaar te lijmen. Eenmaal gedroogd kunnen deze stenen net zo sterk zijn als beton en toch een negatieve koolstofvoetafdruk hebben omdat ze koolstof opsluiten die anders naar de atmosfeer zou terugkeren. Als zulke materialen van het laboratorium naar dagelijks gebruik moeten worden gebracht, hebben fabrikanten betrouwbare methoden nodig om te garanderen dat elke steen sterk, uniform en vrij van gevaarlijke defecten is. Traditionele kwaliteitscontroles voor beton en andere bouwmaterialen zijn vaak traag, destructief of werken pas als het materiaal volledig is uitgehard, wat te laat is om problemen op te lossen zonder materiaal te verspillen.

Luisteren naar trillingen in plaats van stenen breken

Het team ontwikkelde een niet-destructief testsysteem dat “luistert” naar hoe een verse, zachte steen trilt wanneer deze zacht wordt getikt. In hun experimenten mengden ze zand, water en een binder op basis van bloed-eiwit om een nat composiet te vormen, vulden dit in rechthoekige mallen en testten het onmiddellijk. Een impulshamer gaf korte tikken op het oppervlak terwijl een kleine versnellingsmeter op de steen de resulterende trillingsgolven registreerde. Deze signalen bevatten informatie over de interne structuur van het materiaal: een gladde, uniforme steen trilt anders dan een met holtes, dichte insluitsels of interne scheidingen die scheuren nabootsen. Omdat de hardware eenvoudig is en uit de handel verkrijgbaar, kan de sensor snel van de ene steen naar de andere worden verplaatst, vergelijkbaar met hoe een arts een stethoscoop gebruikt.

AI leren verborgen gebreken te herkennen

Om de complexe trillingspatronen te interpreteren, bouwden de onderzoekers twee families AI-modellen, bijgenaamd Mini-ft en Mega-ft. Beide beginnen met het opdelen van de continue sensordata in korte fragmenten, elk met de respons op een enkele hamerklap. Mini-ft richt zich op 171 sleutelpuntwaarden uit elk fragment en comprimeert deze informatie tot slechts twee kenmerken die beschrijven hoe het signaal opkomt en vervalt. Het gebruikt vervolgens een eenvoudige nearest-neighbor-methode om te beslissen of een monster normaal of defect is en een statistisch model om te schatten hoeveel vocht het heeft verloren tijdens het drogen. Mega-ft kiest een krachtigere aanpak: het past duizenden willekeurig gevormde filters toe op elk fragment om een rijk, 20.000-dimensionaal kenmerkprofiel van de trilling te creëren. Een snelle lineaire classifier gebruikt dit gedetailleerde vingerafdruk om niet alleen te herkennen of een steen defect is, maar ook welk type defect aanwezig is.

Hoe goed werkt het systeem?

Het team testte hun aanpak op twintig laboratoriumgemaakte stenen, waaronder elf zonder defecten en acht met zorgvuldig ingebedde gebreken. Sommige bevatten stalen stukjes om ongewoon dichte gebieden te imiteren; andere verstopten holle kunststofvormen om holtes na te bootsen; weer andere hadden dunne kunststof vellen als interne scheuren van verschillende groottes. Met het eenvoudigere Mini-ft-model onderscheidde het systeem defecte van normale stenen correct in ongeveer 96% van de gevallen en kon het negen verschillende klassen scheiden—één normaal plus acht defecttypen—met een nauwkeurigheid van ongeveer 82%. Het meer gedetailleerde Mega-ft-model tilde deze cijfers nog hoger, tot ongeveer 99% voor basisdetectie van defecten en 97% voor het onderscheiden tussen defecttypen. De AI kon ook inschatten hoe ver een steen was gedroogd, en dus hoeveel sterkte hij had gewonnen, met slechts een fout van enkele procenten, waardoor het nuttig is om het uithardingsproces in de tijd te volgen.

Van pilotstudie naar bouw in de praktijk

Hoewel dit werk werd uitgevoerd op baksteengrote monsters met opzettelijk versterkte defecten, wijzen de bevindingen op een praktisch gereedschap voor op de fabrieksvloer om nieuwe koolstofnegatieve bouwmaterialen te beheren. Omdat de methode werkt terwijl het materiaal nog nat is, kunnen foutieve partijen vroegtijdig worden opgespoord en kan het mengsel worden gerecycled in plaats van weggegooid, wat zowel afval als kosten vermindert. Hetzelfde trillings- en AI-systeem kan worden aangepast aan verschillende mengsels, temperaturen en productvormen, van kleine stenen tot grotere structurele elementen of zelfs 3D-geprinte vormen. Simpel gezegd toont de studie aan dat door te tikken en met AI te “luisteren”, fabrikanten kunnen garanderen dat natuurgebaseerde stenen zowel groen als betrouwbaar zijn, en zo helpen duurzame bouw op te schalen zonder de veiligheid op te offeren.

Bronvermelding: Miao, B.H., Dong, Y., Theissler, A. et al. AI-powered non-destructive testing for smart manufacturing of carbon-negative biopolymer-bound soil composite. Commun Eng 5, 64 (2026). https://doi.org/10.1038/s44172-026-00621-8

Trefwoorden: biopolymeer-gebonden grondcomposiet, niet-destructieve toetsing, trillingsdetectie, AI kwaliteitscontrole, duurzame bouw