Hybrydowe podejście uczenia maszynowego do przewidywania wytrzymałości na ściskanie zrównoważonego betonu z dodatkiem popiołu z paliwa z oleju palmowego

Przemiana odpadów rolniczych w mocniejszy, bardziej ekologiczny beton

Beton podtrzymuje nasze budynki, mosty i drogi, ale produkcja cementu w nim zawartego wiąże się z emisją znacznych ilości dwutlenku węgla. Jednocześnie zakłady przetwarzające olej palmowy generują góry popiołu, które często są wyrzucane. Niniejsze badanie bada, jak przekształcić ten popiół w użyteczny składnik betonu oraz jak inteligentne programy komputerowe mogą niezawodnie przewidzieć, jak wytrzymały będzie taki „zielony” beton, zanim wylana zostanie pierwsza partia.

Dlaczego popiół z oleju palmowego ma znaczenie

Popiół z paliwa z oleju palmowego to pylasty produkt uboczny powstający po spaleniu odpadów palmowych w celu wytworzenia energii. W krajach intensywnie produkujących olej palmowy nagromadza się on w ogromnych ilościach i może stwarzać problemy z utylizacją i zanieczyszczeniem. Tymczasem ten popiół zawiera reaktywne cząstki, które mogą częściowo zastępować cement w betonie. Jego wykorzystanie wspiera więc dwie sprawy jednocześnie: zmniejsza ilość energochłonnego cementu i daje drugi żywot odpadom rolniczym. Wcześniejsze eksperymenty wykazały, że przy odpowiednim przetworzeniu i zastosowaniu popiół ten może dać beton o dobrej wytrzymałości i trwałości. Trudność polega na tym, że wytrzymałość zależy od wielu współzależnych składników i warunków dojrzewania, więc projektanci potrzebują szybkiego i wiarygodnego sposobu oszacowania właściwości bez prowadzenia niekończących się testów.

Pozwolenie inteligentnemu modelowi uczyć się na setkach mieszanek

Naukowcy zebrali dane z 22 opublikowanych badań, kończąc na 469 różnych mieszankach betonowych, które wszystkie zawierały popiół z paliwa z oleju palmowego. Dla każdej mieszanki zanotowali sześć kluczowych składników i warunków: ilość cementu i popiołu, dawkę środka chemicznego (superplastyfikatora), proporcję kruszywa grubego do drobnego, stosunek wody do spoiwa oraz czas dojrzewania betonu przed badaniem. Następnie sięgnęli po sztuczną inteligencję, budując model komputerowy inspirowany sposobem łączenia się komórek nerwowych w mózgu, zwany sztuczną siecią neuronową. Tego typu model uczy się na przykładach: widzi wiele kombinacji wejść i odpowiadających im wytrzymałości, a stopniowo dostraja swoje wewnętrzne połączenia, aby odtworzyć te wyniki.

Wzmocnienie „mózgu” poprzez ewolucyjnie inspirowane poszukiwanie

Sama sieć neuronowa bywa trudna do dostrojenia. Jeśli jej ustawienia wewnętrzne są źle dobrane, może utknąć na przeciętnych wynikach. Aby temu zaradzić, zespół połączył sieć z drugim algorytmem, który imituje sposób, w jaki gatunki rozprzestrzeniają się i przystosowują na wyspach — tzw. optymalizacją opartą na biogeografii. W tym schemacie każda „wyspa” reprezentuje inny zestaw ustawień sieci. Cechy z sukcesywnych wysp migrują do słabszych, a okazjonalne losowe zmiany zapobiegają utknięciu poszukiwań. Po wielu cyklach to hybrydowe podejście dopracowuje sieć, tak aby lepiej dopasowywała się do zmierzonych wartości wytrzymałości betonu.

Jak dobrze działa model hybrydowy

Aby sprawdzić, czy ich model hybrydowy rzeczywiście się sprawdza, autorzy podzielili 469 mieszanek na odrębne grupy do treningu, strojenia i niezależnego testowania, a także zastosowali metody krzyżowego sprawdzania, które wielokrotnie przetasowują dane. Porównali sieć hybrydową ze standardową siecią neuronową oraz z wcześniejszymi modelami z literatury. Wersja hybrydowa konsekwentnie przewidywała wytrzymałość na ściskanie z większą dokładnością: ponad 60% jej przewidywań mieściło się w granicy 5% wartości zmierzonych, w porównaniu z około 39% dla modelu konwencjonalnego. Jej całkowity błąd był mniejszy, a przewidywania bardziej stabilne przy różnym ponownym próbkowaniu danych. Analiza wytrenowanego modelu ujawniła również, które czynniki mają największe znaczenie, wskazując czas dojrzewania i stosunek wody do spoiwa jako najsilniejsze czynniki wpływające na wytrzymałość.

Co to oznacza dla bardziej ekologicznego budownictwa

Dla inżynierów i planistów badanie oferuje narzędzie praktyczne: dla proponowanej mieszanki zawierającej popiół z paliwa z oleju palmowego model hybrydowy może szybko oszacować, jak wytrzymały prawdopodobnie będzie otrzymany beton, w zakresie mieszanek, które model poznał. To może oszczędzić czas, zmniejszyć kosztowne próby i zachęcić do szerszego wykorzystania materiałów z odpadów, które obniżają zużycie cementu i emisje. Chociaż model nadal ograniczają luki i różnice w bazowych badaniach eksperymentalnych, pokazuje, że łączenie uczenia się na danych z poszukiwaniem inspirowanym ewolucją może pomóc ujarzmić złożoność nowoczesnych zrównoważonych betonów i przybliżyć bardziej ekologiczne budownictwo do praktycznego, codziennego zastosowania.

Cytowanie: Kazemi, R., Pour, M.A. & Gandomi, A.H. Hybrid machine learning approach for predicting compressive strength of sustainable concrete incorporating palm oil fuel ash. Sci Rep 16, 14033 (2026). https://doi.org/10.1038/s41598-026-46190-w

Słowa kluczowe: zrównoważony beton, popiół z paliwa z oleju palmowego, predykcja wytrzymałości na ściskanie, sztuczna sieć neuronowa, optymalizacja metahuretyczna