Modelowanie właściwości mechanicznych betonów z dodatkiem gumy za pomocą programowania ekspresji genów (GEP) i lasu losowego: badanie porównawcze

Przekształcanie starych opon w mocniejsze, bardziej ekologiczne budynki

Co roku miliardy opon kończą swoje użytkowanie i często trafiają na wysypiska lub do nielegalnych składowisk, gdzie stwarzają ryzyko pożarów i zanieczyszczeń. Równocześnie przemysł budowlany zużywa ogromne ilości piasku, kruszywa i energii, przyczyniając się znacząco do zmian klimatu. Niniejsze badanie analizuje sposób na jednoczesne rozwiązanie obu problemów: zmielenie zużytych opon i użycie gumy w betonie oraz zastosowanie zaawansowanych narzędzi komputerowych do przewidywania wytrzymałości takiego „betonu gumowego” bez konieczności prowadzenia setek testów laboratoryjnych.

Dlaczego dodawać gumę do betonu?

Beton jest fundamentem współczesnej infrastruktury, lecz produkcja jego składników, zwłaszcza cementu i naturalnych kruszyw, jest energochłonna i powoduje wyczerpywanie zasobów naturalnych. Zastępując część piasku i kruszywa kawałkami gumy z zużytych opon, inżynierowie mogą zmniejszyć zapotrzebowanie na surowce pierwotne i ograniczyć ilość opon trafiających na wysypiska. Cząstki gumy mogą też nadać betonowi pożądane cechy: pochłaniać wstrząsy, tłumić hałas oraz poprawiać odporność na ścieranie i zmiany temperatury. Jednak dodatek gumy zazwyczaj osłabia zdolność betonu do przeciwdziałania pękaniu i rozciąganiu. Dokładne zmierzenie, ile wytrzymałości tracimy lub zyskujemy przy każdej zmianie receptury, tradycyjnie wymaga wielu czasochłonnych i kosztownych eksperymentów.

Pozwolić komputerom uczyć się na podstawie wcześniejszych badań

Aby uniknąć testowania każdej możliwej mieszanki ręcznie, badacze sięgnęli po uczenie maszynowe — metody komputerowe wykrywające wzorce w danych. Zebrali 112 zestawów wyników eksperymentalnych z badań na całym świecie, wszystkie dotyczące betonów z dodatkiem gumy. Każdy punkt danych opisywał unikalną recepturę, w tym ilości grubego i drobnego kruszywa, zrębków i granulatu gumowego, dodatków chemicznych zwanych superplastyfikatorami, stosunek woda–cement oraz wiek betonu. Dla każdej receptury zarejestrowano dwie kluczowe właściwości: wytrzymałość na zginanie (zdolność belki do przeciwstawienia się zginaniu) oraz wytrzymałość rozdzielczą na rozciąganie (odporność na rozrywanie). Na podstawie tej połączonej bazy danych zespół wytrenował równolegle dwa różne modele uczenia maszynowego, aby sprawdzić, który potrafi najlepiej przewidzieć te właściwości.

Dwa różne sposoby „myślenia” komputera

Pierwsza metoda, programowanie ekspresji genów, działa nieco jak ewolucja w przyrodzie. Zaczyna od wielu losowych formuł matematycznych i stopniowo je ulepsza, naśladując mutacje i rekombinację, ostatecznie tworząc czytelne równania łączące składniki mieszanki z jej wytrzymałością. Druga metoda, las losowy, buduje dużą kolekcję drzew decyzyjnych — prostych, regułowych modeli — i pozwala im „głosować” nad przewidywaną wytrzymałością. Choć las losowy zachowuje się bardziej jak czarna skrzynka, często bywa bardzo dokładny. Oba modele zostały starannie dostrojone i ocenione przy użyciu standardowych miar statystycznych, porównujących przewidywane wartości z wynikami laboratoryjnymi dla mieszanek, których modele wcześniej nie widziały.

Czego modele nauczyły się o betonie z gumą

Oba podejścia uchwyciły ogólne zachowanie betonu z dodatkiem gumy, lecz las losowy okazał się bardziej dokładny. Dla nieznanych danych testowych odtworzył wytrzymałości zginające i rozdzielcze z korelacjami niemal wskazującymi na zgodność idealną, zauważalnie lepszymi niż w przypadku programowania ekspresji genów. Analiza błędów wykazała, że większość przewidywań mieściła się w niewielkim marginesie od wartości rzeczywistych, z jedynie nielicznymi wartościami odstającymi. Aby „otworzyć” czarną skrzynkę, zespół zastosował narzędzie o nazwie SHAP, które przypisuje poszczególnym składnikom udział odpowiedzialności za każde przewidywanie. Wykazało to, że tradycyjne kruszywa i stosunek woda–cement silnie wpływają na wytrzymałość na zginanie, podczas gdy ilość i rodzaj gumy, wraz z superplastyfikatorem i zawartością wody, odgrywają kluczowe role w odporności betonu na rozciąganie. Generalnie większa ilość gumy i więcej wody miały tendencję do obniżania wytrzymałości, podczas gdy dobrze zbilansowane kruszywa i dodatki mogły częściowo przywrócić parametry.

Co to oznacza dla przyszłego budownictwa

Dla osób niezajmujących się tematem najważniejszy wniosek jest taki, że realistyczne projektowanie bardziej ekologicznych betonów z recyklingu opon jest możliwe bez działania po omacku. Badanie pokazuje, że inteligentne modele komputerowe, w szczególności lasy losowe, potrafią wiarygodnie przewidzieć, jak zmiany w recepturze betonu z gumą wpłyną na jego zachowanie przy pękaniu i zginaniu, wykorzystując tylko kilka łatwych do zmierzenia parametrów. Oznacza to, że inżynierowie mogą ograniczyć kosztowne testy metodą prób i błędów, przyspieszyć wdrażanie materiałów z odpadów i pewniej określać mieszanki łączące korzyści środowiskowe z bezpieczeństwem i trwałością. W dłuższej perspektywie takie narzędzia mogą pomóc przekształcić góry zużytych opon w bezpieczne mosty, nawierzchnie i budynki, zmniejszając zarówno hałdy odpadów, jak i ślad węglowy budownictwa.

Cytowanie: Sheraz, M., Talha, M., Alam, M. et al. Modeling mechanical properties of rubberized concrete using gene expression programming (GEP) and random forest: a comparative study. Sci Rep 16, 8714 (2026). https://doi.org/10.1038/s41598-026-40897-6

Słowa kluczowe: beton z dodatkiem gumy, recykling zużytych opon, uczenie maszynowe w budownictwie, modelowanie lasem losowym, materiały zrównoważone