Predykcja wytrzymałości na ściskanie bez bocznych oporów glin stabilizowanych geopolimerem z użyciem ekstremalnej maszyny uczącej się sterowanej sektorem owocówki

Mocniejszy grunt przy mniejszych kosztach środowiskowych

Na całym świecie inżynierowie muszą przekształcać miękkie, zawierające dużo gliny podłoża w pewne fundamenty pod drogi, budynki i nasypy. Tradycyjnie robi się to przez dodawanie dużych ilości cementu portlandzkiego, który jest ważnym źródłem emisji dwutlenku węgla. W tym badaniu zaproponowano czystsze rozwiązanie: wykorzystanie przemysłowych produktów ubocznych zwanych geopolymerami do wzmacniania glin oraz zastosowanie sprytnej formy sztucznej inteligencji do przewidywania, jak wytrzymały stanie się stabilizowany grunt, bez konieczności prowadzenia niekończących się testów laboratoryjnych.

Przekształcanie odpadów przemysłowych w użyteczne spoiwa

Geopolimery to spoiwa powstające w wyniku aktywacji proszków bogatych w glinokrzemiany — takich jak granulowany żużel wielkopiecowy (GGBS) i popiół lotny — roztworami alkalicznymi. Wymieszane z gliną tworzą sztywne, kamieniopodobne sieci, które mogą zapewniać wysoką wytrzymałość, niskie skurcze i dobrą trwałość, przy znacznie niższych emisjach CO₂ niż konwencjonalny cement. Wcześniejsze eksperymenty wykazały, że gliny stabilizowane geopolymerem mogą osiągać wytrzymałości od prawie zera do ponad 40 megapaskali, w zależności od składu. Wynik jest jednak silnie zależny od wielu czynników jednocześnie: naturalnej plastyczności gliny, ilości dodanego żużla lub popiołu, stężenia roztworu alkalicznego oraz stosunku kluczowych pierwiastków, takich jak sód, krzem i glin.

Dlaczego przewidywanie wytrzymałości gruntu jest tak trudne

Aby zaprojektować praktyczny recepturę, inżynierowie chcieliby wiedzieć z wyprzedzeniem, jak wytrzymała będzie dana mieszanka. Prowadzenie pełnych programów laboratoryjnych dla każdego kandydującego składu jest powolne i kosztowne. Tradycyjne wzory statystyczne również zawodzą, ponieważ zależności między rodzajem gleby, składem geopolymeru a otrzymaną wytrzymałością są silnie nieliniowe. Nowoczesne narzędzia uczenia maszynowego — takie jak sieci neuronowe i maszyny wektorów nośnych — poprawiły jakość prognoz, ale mogą wymagać intensywnej regulacji parametrów, łatwo przeuczać się na małych zbiorach danych i często zachowywać się jak nieprzejrzyste „czarne skrzynki”, które nie pokazują jasno, które składniki mają największe znaczenie.

Bardziej inteligentna maszyna ucząca się sterowana cyfrowym rojem

Autorzy zebrali 270 wyników badań z wcześniejszych prac nad glinami stabilizowanymi geopolymerem, obejmujących różne typy gleb, mieszanki spoiw, stężenia alkaliów i warunki dojrzewania. Następnie wytrenowali trzy powiązane modele predykcyjne. Rdzeniem jest tzw. ekstremalna maszyna ucząca się — szybka sieć neuronowa, która ustawia większość swoich wewnętrznych parametrów w jednym kroku analitycznym zamiast długotrwałego uczenia metodą prób i błędów. Aby dopracować te ustawienia, zespół połączył sieć z procedurą optymalizacji „owocówki” (fruit fly optimization), która naśladuje sposób, w jaki muszki owocowe poszukują pożywienia. W ich usprawnionej wersji, optymalizacji sektora owocówki, wirtualny rój nie błąka się losowo; zamiast tego eksploruje przestrzeń poszukiwań w równomiernie rozmieszczonych sektorach, co poprawia stabilność i pomaga algorytmowi szybciej znaleźć dobre rozwiązanie.

Lepsze prognozy i jaśniejszy wgląd w istotne czynniki

Przy testowaniu na niewidzianych wcześniej danych podstawowa maszyna ucząca się już dosyć dobrze przewidywała nieodstawioną wytrzymałość na ściskanie — czyli ile nacisku może wytrzymać stabilizowana glina. Dodanie oryginalnego przeszukiwania roju poprawiło dokładność jeszcze bardziej. Rój oparty na sektorach wypadł najlepiej, zmniejszając błąd predykcji o około 42 procent w porównaniu z modelem bazowym i o 19 procent w porównaniu z wcześniejszą wersją owocówki, przy zachowaniu na tyle niskich wymagań obliczeniowych, że można go uruchomić na zwykłym laptopie. Większość przewidywanych wytrzymałości była bliska wartościom zmierzonym, a wzory błędów sugerowały, że model uogólniał wiedzę, zamiast jedynie zapamiętywać dane treningowe.

Przekładanie skomplikowanych modeli na praktyczne receptury gruntowe

Aby otworzyć „czarną skrzynkę”, badacze zastosowali technikę zwaną analizą SHAP, która przypisuje każdemu wejściu wkład w końcową predykcję. Analiza ujawniła, że zawartość żużla (GGBS) była najważniejszym czynnikiem zwiększającym wytrzymałość, przy czym plastyczność gliny i granica płynności także odgrywały istotną rolę. Niektóre parametry mieszanki — jak nadmiar popiołu lotnego czy bardzo wysoka plastyczność — miały tendencję do obniżania wytrzymałości, podczas gdy odpowiednie stężenie alkaliów i stosunek sodu do glinu dawały umiarkowane pozytywne efekty. Te wnioski, połączone z dokładnymi prognozami, czynią sektorowo-wzmocnioną maszynę uczącą się obiecującym narzędziem do prowadzenia projektowania mieszanek geopolymerowych, pomagając inżynierom wybierać receptury, które dają mocny, stabilny grunt przy mniejszej liczbie badań i mniejszym śladzie środowiskowym.

Cytowanie: Abdellatief, M., mortagi, M. Predicting unconfined compressive strength of geopolymer-stabilized clays using a sector fruit fly–based extreme learning machine. Sci Rep 16, 12723 (2026). https://doi.org/10.1038/s41598-026-47208-z

Słowa kluczowe: glina stabilizowana geopolymerem, predykcja wytrzymałości gruntu, uczenie maszynowe w geotechnice, zrównoważone ulepszanie gruntu, ekstremalna maszyna ucząca się