Ocena dokładności predykcyjnej nadzorowanych modeli uczenia maszynowego w celu zbadania wytrzymałości mechanicznej betonu zawierającego żużel wielkopiecowy

Dlaczego inteligentniejszy beton ma znaczenie

Beton kształtuje nasze miasta, ale produkcja cementu, który go spaja, emituje ogromne ilości dwutlenku węgla — około 8% światowych emisji. Obiecującym sposobem na zmniejszenie tego śladu jest częściowe zastąpienie zwykłego cementu przemysłowymi produktami ubocznymi, takimi jak żużel wielkopiecowy — szklista substancja powstająca przy produkcji stali. Problem polega na tym, że znalezienie odpowiedniej receptury na wytrzymały, trwały i niskoemisyjny beton zwykle wymaga miesięcy badań laboratoryjnych. W tym badaniu pokazano, jak nowoczesne uczenie maszynowe może przeprowadzić dużą część tej pracy metodą wirtualnych prób i błędów, przyspieszając projektowanie bardziej ekologicznego betonu.

Czystszy składnik z hutnictwa stali

Żużel wielkopiecowy powstaje przy wytapianiu rudy żelaza do produkcji surówki. Gdy ten stopiony produkt uboczny jest gwałtownie schładzany i mielony na drobny proszek, zachowuje się jak wolno działający cement. Dodany do betonu reaguje z związkami powstającymi podczas hydratacji cementu, tworząc dodatkowy żel wiążący, który uszczelnia wewnętrzne pory. Korzyści są trójstronne: potrzeba mniej cementu (co zmniejsza emisje CO₂), lepsza odporność na ataki chemiczne soli i kwasów oraz dalszy wzrost wytrzymałości w dłuższym okresie. Jednak wydajność zależy wrażliwie od ilości dodanego żużla, jego interakcji z innymi składnikami oraz czasu dojrzewania betonu.

Przekształcanie rozproszonych eksperymentów w jedną bazę danych

Zamiast wykonywać nowe testy laboratoryjne dla każdej możliwej mieszanki, badacze przeszukali wcześniejsze prace i otwarte zestawy danych dotyczące betonów zawierających żużel. Zebrali 675 rekordów danych, z których każdy opisywał recepturę betonu i zmierzoną wytrzymałość na ściskanie (jakie ciśnienie wytrzymuje przed rozkruszeniem). Śledzono osiem kluczowych składników i warunków: ilości cementu, żużla wielkopiecowego, pyłu lotnego, kruszywa grubego i drobnego, wody oraz domieszki redukującej wodę o dużym zakresie działania zwanej superplastyfikatorem, a także wiek dojrzewania w dniach. Wszystkie wartości zostały sprawdzone, znormalizowane do wspólnych jednostek, oczyszczone z oczywistych błędów i przeskalowane, aby modele uczenia maszynowego mogły porównywać zmienne na jednakowych zasadach.

Uczenie maszyn do przewidywania wytrzymałości betonu

Mając taką bazę danych, zespół wytrenował sześć różnych nadzorowanych modeli uczenia maszynowego do przewidywania wytrzymałości na ściskanie na podstawie składu mieszanki: AdaBoost, pojedyncze drzewo decyzyjne, Gradient Boosting, k-Nearest Neighbors oraz dwie zaawansowane metody drzewiaste znane jako LightGBM i XGBoost. Użyto 80% danych do treningu i 20% do testowania, jak dobrze każdy model radzi sobie z nowymi, niewidzialnymi wcześniej recepturami. Aby uniknąć przeuczenia — gdy model zapamiętuje dane treningowe, ale zawodzi w praktyce — systematycznie dostrajano ustawienia modeli przy pomocy przeszukiwania siatki i walidacji krzyżowej, a następnie oceniano wydajność przy użyciu standardowych miar dokładności, takich jak współczynnik determinacji (R²) oraz różne statystyki błędu.

Co kontroluje wytrzymałość w bardziej ekologicznych mieszankach

Dwa najsilniejsze modele, LightGBM i XGBoost, odtworzyły laboratoryjne wytrzymałości z wysoką dokładnością, wyjaśniając ponad 94% zmienności w danych testowych. Aby uczynić te „czarne skrzynki” bardziej zrozumiałymi, autorzy zastosowali SHAP (metodę przypisującą każdemu wejściu udział w predykcji) i wykresy zależności częściowych, które pokazują, jak zmiana jednej zmiennej przesuwa przewidywaną wytrzymałość przy stałych pozostałych. Narzędzia te ujawniły, że wiek dojrzewania ma największy pozytywny wpływ: dłuższe dojrzewanie konsekwentnie oznacza mocniejszy beton. Superplastyfikator i zawartość cementu były kolejnymi najważniejszymi czynnikami, zwiększając wytrzymałość poprzez lepsze zagęszczenie i redukcję nadmiaru wody. Sama woda wykazała silny efekt negatywny — zbyt dużo ją osłabia — podczas gdy żużel wielkopiecowy pomagał do pewnego punktu, po czym jego wpływ się wyrównywał.

Znajdowanie optymalnego poziomu żużla

Przesuwając modele przez różne zawartości żużla, badacze zidentyfikowali optymalne okno zastąpienia: gdy żużel wielkopiecowy stanowił w przybliżeniu 30–40% całkowitej masy materiałów spoiwowych, beton zwykle osiągał wyższą wytrzymałość na ściskanie, zwłaszcza przy wiekach dojrzewania 28 dni i więcej. Zwiększanie udziału żużla powyżej tej wartości, szczególnie powyżej 50%, często spowalniało wczesny przyrost wytrzymałości, co może być krytyczne dla harmonogramów budowy. Te wnioski, wyciągnięte z wielu drobnych badań, oferują praktyczne wskazówki: inżynierowie mogą pewnie celować w ten pośredni zakres żużla, aby zrównoważyć wytrzymałość, trwałość i oszczędności emisji, bez potrzeby przeprowadzania wyczerpujących testów dla każdego projektu.

Co to oznacza dla przyszłego budownictwa

Dla osób nietechnicznych kluczowy przekaz jest prosty: komputery potrafią już uczyć się na podstawie wcześniejszych eksperymentów z betonem na tyle dobrze, by zasugerować mocne, niskoemisyjne mieszanki zanim wylana zostanie pierwsza partia. W tej pracy model LightGBM okazał się nieco dokładniejszy niż XGBoost, ale oba były na tyle precyzyjne i interpretable, by pokazać, które składniki są najważniejsze i gdzie żużel działa najlepiej. To połączenie szybkości i przejrzystości pozwala projektantom skrócić czas, koszty i straty materiałowe przy lepszym wykorzystaniu produktów ubocznych przemysłu. W miarę jak zbiory danych będą rosły i stawały się bardziej ustandaryzowane, takie narzędzia mogą pomóc branży budowlanej zmniejszyć wpływ na klimat, jednocześnie dostarczając bezpieczne i trwałe konstrukcje.

Cytowanie: Sobuz, M.H.R., Majumder, S., Afrin, M.S. et al. Evaluating the predictive accuracy of supervised machine learning models to explore the mechanical strength of blast furnace slag incorporated concrete. Sci Rep 16, 6712 (2026). https://doi.org/10.1038/s41598-026-36437-x

Słowa kluczowe: beton z żużlem wielkopiecowym, uczenie maszynowe, wytrzymałość na ściskanie, zrównoważone budownictwo, zastąpienie cementu