Hybrydowe podejście uczenia maszynowego do przewidywania wytrzymałości na zginanie betonu zbrojonego włóknami z odpadów aluminium

Przekształcanie złomu w mocniejszy beton

Każdego roku zakłady przemysłowe i gospodarstwa domowe produkują góry odpadów aluminiowych — puszki, przewody i wióry z obróbki. Duża część tych odpadów jest trudna do bezpiecznej utylizacji, a jednocześnie aluminium jest lekkie, wytrzymałe i trwałe. W tym badaniu postawiono proste pytanie o duże znaczenie: czy można przetworzyć uciążliwy złom na drobne włókna, które uczynią beton bardziej ekologiczny i lepiej odporny na zginanie i pękanie, wykorzystując jednocześnie inteligentne modele komputerowe do przewidywania wytrzymałości nowego materiału?

Dlaczego wytrzymałość na zginanie ma znaczenie

Beton świetnie znosi obciążenia ściskające, ale znacznie gorzej radzi sobie przy zginaniu. Drogi, posadzki, nawierzchnie mostów i pasy startowe często zawodzą najpierw przez zginanie i pękanie, a nie przez czyste zgniecenie. Dodanie włókien to sposób, by pomóc betonowi wytrzymać rozciąganie i utrzymać spójność po pojawieniu się rys. Badacze w tej pracy skupili się na włóknach z odpadów aluminium, pozyskiwanych z zużytych puszek i innych złomów. Mieszali te włókna z betonem w różnych ilościach — od 1% do 5% objętości — i testowali, jak belki oporują na zginanie. Odkryli wyraźny optymalny punkt: przy około 3% udziału włókien belki przenosiły największe obciążenie zginające i wykazywały bardziej kontrolowane pęknięcia; powyżej tego poziomu dodatkowe włókna pogarszały właściwości przez tworzenie się skupisk i zmniejszanie urabialności świeżego betonu.

Budowanie inteligentniejszego sposobu przewidywania wytrzymałości

Projektowanie betonu z włóknami z odpadów to nie tylko zgadywanie udziału włókien. Wiele składników — cement, woda, piasek, kruszywo, dodatki, czas dojrzewania i zawartość włókien — oddziałuje ze sobą w złożony sposób. Aby wyjść poza metodę prób i błędów, zespół zebrał zbiór danych obejmujący 195 wyników badań z własnych eksperymentów i wcześniejszych prac, wszystkie dotyczące włókien z odpadów aluminium. Następnie wytrenowali trzy różne typy modeli uczenia maszynowego do przewidywania wytrzymałości na zginanie na podstawie ośmiu podstawowych zmiennych mieszanki i dojrzewania: Las Losowy (wiele uśrednionych drzew decyzyjnych), model Extreme Gradient Boosting oraz Sztuczna Sieć Neuronowa inspirowana sposobem połączeń komórek mózgowych. Każdy model dobrze wychwytuje inne wzorce w danych.

Łączenie modeli i otwieranie czarnej skrzynki

Zamiast wybierać pojedynczy „najlepszy” model, badacze zastosowali ich stacking. W tym hybrydowym podejściu trzy modele każdorazowo wygenerowały własne prognozy, a końcowa warstwa łącząca nauczyła się je ważować, by uzyskać najdokładniejszy wynik. System taki przewidywał wytrzymałość na zginanie z bardzo wysoką dokładnością: wyjaśniał ponad 99% zmienności w danych treningowych i około 96% dla nowych, niewidzianych wcześniej testów. Aby upewnić się, że system nie jest jedynie tajemniczą czarną skrzynką, zastosowano narzędzie wyjaśniające SHAP. Metoda ta przypisuje każdemu wejściu — na przykład wiek dojrzewania czy zawartość kruszywa — udział w odpowiedzialności za przewidzianą wytrzymałość. Analiza wykazała, że wiek dojrzewania i zawartość kruszyw mają szczególne znaczenie, podczas gdy procent włókien aluminiowych, choć korzystny, miał mniejszą ogólną rolę niż stałe rusztowanie piasku i żwiru, które przenosi obciążenia w betonie.

Co ma największe znaczenie w mieszance

Zgłębiając wyniki wyjaśnień, badanie wykazało, że dłuższy czas dojrzewania konsekwentnie zwiększał wytrzymałość na zginanie, potwierdzając wartość powolnego, wilgotnego dojrzewania w realizacjach praktycznych. Kruszywa grube i drobne razem wysunęły się na pierwszy plan: ich ilość i proporcje sterują tym, jak rysy inicjują i rozprzestrzeniają się pod obciążeniem zginającym. Woda i cement miały bardziej zniuansowany wpływ — zbyt duża ilość wody osłabia wiązanie między zaczynem a ziarnami, podczas gdy zbyt dużo cementu może uczynić materiał kruchym. Włókna z odpadów aluminium pomagały, mostkując rysy i poprawiając zdolność betonu do przenoszenia naprężeń rozciągających, ale tylko do około 3% objętości; powyżej tej wartości mieszanka stawała się trudniejsza do układania i mniej jednorodna, co niwelowało korzyści z dodatkowego zbrojenia. Wskazania modelu przełożono na praktyczne zalecenia dotyczące zakresów kruszywa, cementu, wody i zawartości włókien, które inżynierowie mogą przyjmować przy projektowaniu mieszanek.

Od laboratoryjnej wiedzy do bardziej zielonych konstrukcji

Dla czytelnika ogólnego kluczowy przekaz jest prosty: można przekształcić wyrzucone aluminium w użyteczny składnik, który pomaga betonowi lepiej znosić zginanie, jednocześnie przekierowując odpady z wysypisk i zmniejszając zapotrzebowanie na nowe stalowe włókna. Łącząc staranne eksperymenty z przejrzystym, wielomodelowym systemem uczącym, badacze stworzyli swego rodzaju „kalkulator”, który potrafi przewidzieć, jak wytrzymała będzie dana mieszanka betonu z włóknami z odpadów i wyjaśnić przyczyny. Wyniki sugerują, że dobrze zaprojektowana mieszanka z około 3% włókien aluminiowych z odpadów może poprawić wytrzymałość na zginanie, obniżyć koszty materiałowe i zmniejszyć wpływ na środowisko. Jeśli podejście to zostanie upscaledowane i udoskonalone przy użyciu większej ilości danych, może pomóc inżynierom bezpiecznie stosować przemysłowy złom w codziennej infrastrukturze, czyniąc mosty, nawierzchnie i posadzki zarówno trwalszymi, jak i bardziej zrównoważonymi.

Cytowanie: Boursas, F., Boufarh, R., Altowaijri, Y. et al. A hybrid machine learning approach for predicting the flexural strength of concrete reinforced with waste aluminium fibres. Sci Rep 16, 10763 (2026). https://doi.org/10.1038/s41598-026-41961-x

Słowa kluczowe: włókna z odpadów aluminium, wytrzymałość na zginanie, zrównoważony beton, modele uczenia maszynowego, recyklingowane materiały budowlane