Badania nieniszczące z użyciem AI do inteligentnej produkcji węglowo-ujemnego kompozytu glebowego związanej biopolimerem

Mądrzejsze elementy budowlane na ocieplający się świat

Budynki odpowiadają za dużą część globalnej emisji dwutlenku węgla, głównie z powodu betonu na bazie cementu. W tym badaniu przyjrzano się zupełnie innej klasie materiałów budowlanych: cegłom zrobionym z gleby spajanej polimerami pochodzenia naturalnego, które w rzeczywistości mogą magazynować więcej węgla, niż emitują. Naukowcy pokazują, jak sztuczna inteligencja i proste testy drganiowe mogą wykrywać ukryte wady w tych „zielonych” cegłach, gdy są one jeszcze miękkie, a także śledzić proces ich schnięcia i twardnienia — torując drogę do bezpieczniejszego, mniej marnotrawnego i bardziej przyjaznego klimatu budownictwa.

Cegły z natury, a nie z cementu

Materiałem będącym w centrum tego badania jest tzw. kompozyt glebowy związany biopolimerem. Zamiast cementu używa się polimerów pochodzenia biologicznego, na przykład białek, które sklejają ziarna piasku. Po wyschnięciu takie cegły mogą być tak wytrzymałe jak beton, a jednocześnie mieć ujemny ślad węglowy, ponieważ zatrzymują węgiel, który w innym przypadku wróciłby do atmosfery. Aby tego typu materiały przeszły z laboratorium do powszechnego użytku, producenci potrzebują niezawodnych metod zapewniania, że każda cegła jest mocna, jednorodna i wolna od niebezpiecznych wad. Tradycyjne kontrole jakości betonu i innych materiałów budowlanych bywają powolne, niszczące lub działają dopiero po całkowitym stwardnieniu materiału, co jest za późno, by naprawić problemy bez marnowania surowca.

Słuchanie drgań zamiast łamania cegieł

Zespół opracował system badań nieniszczących, który „słucha”, jak świeża, miękka cegła drga po delikatnym uderzeniu. W eksperymentach zmieszano piasek, wodę i spoiwo z białka krwi, aby uzyskać wilgotny kompozyt, wypełniono nim prostokątne formy i natychmiast testowano. Młotek impulsowy zadawał szybkie uderzenia po powierzchni, a mały akcelerometr umieszczony na cegle rejestrował powstałe fale drgań. Sygnały te niosą informacje o wewnętrznej strukturze materiału: gładka, jednorodna cegła drga inaczej niż ta z pustkami, gęstymi wkładkami lub wewnętrznymi rozwarstwieniami przypominającymi pęknięcia. Ponieważ sprzęt jest prosty i dostępny komercyjnie, czujnik można szybko przenosić z jednej cegły na drugą, podobnie jak lekarz używa stetoskopu.

Nauka AI rozpoznawania ukrytych wad

Aby interpretować złożone wzorce drgań, badacze zbudowali dwie rodziny modeli AI, nazwane Mini-ft i Mega-ft. Oba zaczynają od pocięcia ciągłych danych z czujnika na krótkie fragmenty, z których każdy zawiera odpowiedź na pojedyncze uderzenie młotka. Mini-ft koncentruje się na 171 kluczowych punktach z każdego fragmentu i redukuje tę informację do zaledwie dwóch cech, które opisują, jak sygnał narasta i zanika. Następnie używa prostego podejścia najbliższego sąsiada, aby zdecydować, czy próbka jest normalna czy wadliwa, oraz modelu statystycznego do oszacowania, ile wilgoci straciła podczas schnięcia. Mega-ft stosuje potężniejsze podejście: przykłada tysiące losowo ukształtowanych filtrów do każdego fragmentu, tworząc bogaty opis drgań o 20 000 cechach. Szybki liniowy klasyfikator wykorzystuje ten szczegółowy odcisk palcowy, aby rozpoznać nie tylko, czy cegła jest wadliwa, lecz także jaki to rodzaj wady.

Jak dobrze działa system?

Zespół przetestował swoje podejście na dwudziestu cegłach wykonanych w laboratorium, w tym jedenastu bez wad i ośmiu z celowo wbudowanymi defektami. Niektóre zawierały metalowe elementy, aby imitować niezwykle gęste obszary; inne ukrywały puste plastikowe kształty, aby naśladować pustki; jeszcze inne miały cienkie arkusze plastiku pełniące rolę wewnętrznych pęknięć o różnych rozmiarach. Przy użyciu prostszego modelu Mini-ft system poprawnie rozróżniał cegły wadliwe od normalnych w około 96% przypadków i potrafił rozdzielić dziewięć klas — jedną normalną plus osiem typów wad — z dokładnością około 82%. Bardziej szczegółowy model Mega-ft podniósł te wartości jeszcze wyżej, do około 99% dla podstawowego wykrywania wad i 97% dla rozróżniania typów defektów. AI potrafiła także oszacować, jak bardzo cegła wyschła, a zatem jaką zyskała wytrzymałość, z błędem rzędu zaledwie kilku procent, co czyni ją użyteczną do śledzenia procesu twardnienia w czasie.

Od badania pilotażowego do rzeczywistego budownictwa

Choć prace przeprowadzono na próbkach wielkości cegły z celowo wyolbrzymionymi wadami, wyniki wskazują na praktyczne narzędzie do stosowania na linii produkcyjnej przy wytwarzaniu nowych materiałów budowlanych o ujemnym bilansie węglowym. Ponieważ metoda działa, gdy materiał jest jeszcze mokry, wadliwe partie można wychwycić wcześnie i przetworzyć mieszankę ponownie zamiast wyrzucać ją, co zmniejsza odpady i koszty. Ten sam system drgań i AI można dostosować do różnych receptur mieszanki, temperatur i kształtów produktów, od małych cegieł po większe elementy konstrukcyjne czy nawet formy drukowane w 3D. W prostych słowach, badanie pokazuje, że przez pukanie i „słuchanie” wspierane AI producenci mogą zapewnić, że cegły z surowców naturalnych będą zarówno ekologiczne, jak i niezawodne, pomagając skalować zrównoważone budownictwo bez kompromisów w zakresie bezpieczeństwa.

Cytowanie: Miao, B.H., Dong, Y., Theissler, A. et al. AI-powered non-destructive testing for smart manufacturing of carbon-negative biopolymer-bound soil composite. Commun Eng 5, 64 (2026). https://doi.org/10.1038/s44172-026-00621-8

Słowa kluczowe: kompozyt glebowy związany biopolimerem, badania nieniszczące, detekcja drganiami, kontrola jakości z użyciem AI, zrównoważone budownictwo