Rama uczenia maszynowego kierowana fizyką dla betonu z kruszywa z recyklingu: baza eksperymentalna, modelowanie i walidacja statystyczna

Przekształcanie starego betonu w nowe zasoby

Co roku miliardy ton pokruszonego betonu z rozbiórek budynków i dróg traktowane są jako odpady, choć wiele z tego materiału można ponownie wykorzystać. Niniejsze badanie analizuje, jak przemienić te gruzowiska w niezawodny nowy beton przez połączenie starannych badań laboratoryjnych z nowoczesnym uczeniem maszynowym. Celem jest uczynienie budownictwa bardziej zrównoważonym bez poświęcania bezpieczeństwa, poprzez określenie, ile materiału z recyklingu można stosować i w jakich warunkach.

Dlaczego ponowne użycie betonu nie jest proste

Kruszywo z betonu z recyklingu powstaje przez rozdrabnianie starego betonu na mniejsze części, które mogą zastąpić żwir i piasek zwykle wydobywane dla nowej zabudowy. Jego stosowanie zmniejsza ilość odpadów, eksploatację kamieniołomów i emisje związane z transportem. Jednak te ziarna z recyklingu nadal mają przyczepioną starą zaprawę i drobne pęknięcia, co sprawia, że są bardziej porowate i mniej jednorodne niż naturalne skały. W rezultacie beton z kruszywem z recyklingu może tracić wytrzymałość i stać się trudniejszy do przewidzenia. Inżynierowie potrzebują jasnych, wiarygodnych zasad dotyczących tego, jak różne ilości, rozmiary i jakość kruszywa wtórnego wpływają na wytrzymałość nowego betonu.

Budowanie bogatego obrazu eksperymentalnego

Aby odpowiedzieć na te pytania, badacze przeprowadzili obszerne serie mieszanek betonowych z użyciem materiału z recyklingu pochodzącego z sześciu różnych klas wytrzymałości pierwotnego betonu, obejmujących zakres od bardzo słabego do mocnego betonu konstrukcyjnego. Kruszywa z recyklingu podzielono na trzy zakresy wielkości — drobne, średnie i o wielkości żwiru — i stosowano je do zastąpienia od 10% do 50% kruszywa naturalnego, zawsze przy tych samych warunkach wodno-cementowych. Dla każdej mieszanki mierzono wytrzymałość na ściskanie (ile obciążenia przy ściskaniu wytrzyma), wytrzymałość na rozciąganie przez rozłupywanie (jak zachowuje się na rozciąganie) oraz wytrzymałość zginania (jak się ugina). We wszystkich testach wytrzymałość systematycznie spadała wraz ze wzrostem udziału kruszywa z recyklingu, ale rozmiar spadku zależał silnie zarówno od wielkości ziaren, jak i jakości pierwotnego betonu. Drobne cząstki z recyklingu, z większą ilością przylegającej starej zaprawy i porów, najbardziej osłabiały wytrzymałość, podczas gdy grube i o wielkości żwiru były mniej szkodliwe.

Znajdowanie bezpiecznych granic i kluczowych czynników

Wyniki eksperymentalne ujawniły użyteczne zasady projektowe, które mogą kierować praktycznym zastosowaniem. Gdy materiał z recyklingu pochodził z betonu o niskiej wytrzymałości, zastąpienie 30% kruszywa naturalnego prowadziło do dwucyfrowych spadków procentowych zarówno wytrzymałości na ściskanie, jak i na rozciąganie, szczególnie przy użyciu drobnych cząstek. Natomiast gdy kruszywo z recyklingu pochodziło z betonu o wysokiej wytrzymałości, straty wytrzymałości przy 30% zastąpieniu były niewielkie, a ogólna wydajność pozostała akceptowalna do zastosowań konstrukcyjnych. W wielu seriach pojawiał się spójny "punkt przechyłu": mieszanki z 10% lub 20% kruszywa z recyklingu zazwyczaj zachowywały dobrą wytrzymałość, podczas gdy przekroczenie około 30% prowadziło do zauważalnego spadku, szczególnie dla materiałów źródłowych o niższej jakości i drobniejszych frakcji. Wzorce te są zgodne z wcześniejszymi badaniami i pokazują, że nie wszystkie kruszywa z recyklingu są takie same — jakość i rozmiar mają znaczenie.

Nauczanie maszyn poszanowania praw fizyki

Ponieważ przeprowadzanie nieograniczonej liczby testów laboratoryjnych jest niepraktyczne, zespół zwrócił się do uczenia maszynowego, by przewidywać wytrzymałość dla kombinacji, które nie były badane fizycznie. Zamiast podawać komputerowi jedynie surowe dane, wprowadzili to, co nazywają ramą kierowaną fizyką. Najpierw starannie oczyszczono i uporządkowano wyniki testów, następnie utworzono dodatkowe dane „syntetyczne” przez delikatne przesunięcie parametrów mieszanki i wytrzymałości w wąskich, realistycznych granicach odzwierciedlających zwykłą zmienność laboratoryjną. Następnie zastosowano zaawansowaną metodę oversamplingu, aby wypełnić luki między badanymi mieszankami, ale tylko w kierunkach mających sens fizyczny. Tak wzbogacone zbiory danych posłużyły do trenowania dwóch popularnych modeli zespołowych, XGBoost i LightGBM, wraz z prostymi liniowymi równaniami zastępczymi, które podsumowują dominujące zależności w formie łatwej do zastosowania przez inżynierów.

Jak dobrze działają przewidywania

Po treningu modele oceniano na całkowicie niewidzianych mieszankach testowych. Ich przewidywania dotyczące wytrzymałości na ściskanie i rozciąganie dobrze zgadzały się z pomiarami, z błędami mieszczącymi się w zakresie zwykle obserwowanym przy powtarzalnych testach laboratoryjnych. Modele były szczególnie precyzyjne w przewidywaniu wytrzymałości na rozciąganie, gdzie podstawowy wzorzec degradacji przy większym udziale kruszywa z recyklingu jest gładszy i łatwiejszy do uchwycenia. Co ważne, autorzy sprawdzili, że przewidywane spadki wytrzymałości wraz ze wzrostem udziału kruszywa wtórnego nie były statystycznymi przypadkami: standardowe testy statystyczne wykazały, że te trendy są zarówno silne, jak i wysoce istotne. Porównując wersje modeli z rozszerzeniem danych kierowanym przez fizykę i bez niego, stwierdzili, że podejście kierowane fizyką dawało nieco mniej efektowne wyniki dokładności, lecz znacznie stabilniejsze i bardziej realistyczne zachowanie, szczególnie w obszarach o wysokim zastąpieniu i małej ilości danych.

Co to oznacza dla bardziej zielonego budownictwa

Mówiąc prosto, praca ta pokazuje, że możliwe jest użycie modeli komputerowych do projektowania bardziej ekologicznych mieszanek betonowych opartych na materiale z recyklingu, bez traktowania praw fizyki jako dodatku. Badanie potwierdza, że umiarkowane ilości wysokiej jakości kruszywa z recyklingu — zwłaszcza grubsze cząstki pochodzące z mocniejszego starego betonu — mogą bezpiecznie zastąpić istotną część kruszywa naturalnego. Równocześnie demonstruje sposób, w jaki uczenie maszynowe może pozostać osadzone w rzeczywistych zachowaniach przez respektowanie znanych ograniczeń i trendów. Tego typu narzędzie predykcyjne uwzględniające aspekty fizyczne może pomóc inżynierom podejmować lepsze, szybsze decyzje dotyczące projektowania mieszanek, wspierając szersze przyjęcie betonu z recyklingu przy zachowaniu bezpieczeństwa i niezawodności konstrukcji.

Cytowanie: Mohamud, M.A., Alasiri, M.R., Özdöner, N. et al. Physics-guided machine learning framework for RCA concrete by experimental database, modelling, and statistical validation. Sci Rep 16, 7907 (2026). https://doi.org/10.1038/s41598-026-38554-z

Słowa kluczowe: kruszywo z betonu z recyklingu, zrównoważone budownictwo, uczenie maszynowe w materiałach, projektowanie mieszanek oparte na danych, predykcja wytrzymałości betonu