Прогноз прочности на сжатие карбонатированного бетона с переработанным заполнителем с помощью регрессионных моделей машинного обучения

Превращение старого бетона в союзника климата

Каждый год города сносят огромные объёмы бетонных сооружений, отправляя обломки на свалки и требуя всё больше камня из карьеров. В этом исследовании рассматривается способ замкнуть цикл: дробление строительных отходов, использование их для запирания диоксида углерода и прогнозирование прочности нового, более экологичного бетона с помощью современных инструментов машинного обучения. Для всех, кто интересуется климатически ориентированными городами и более разумным использованием данных, эта работа показывает, как искусственный интеллект может помочь инженерам проектировать более безопасные и устойчивые здания из строительного щебня прошлого.

Почему важно повторное использование бетона

Бетон повсюду — дороги, мосты, высотки — и его производство требует огромных объёмов природного камня и энергии, сопровождаясь большими выбросами CO₂. Переработанные заполнители из бетона, получаемые дроблением старых конструкций, могут снизить нагрузку, уменьшая добычу в карьерах и объёмы отходов. Но есть проблема: эти переработанные частицы обычно носят на себе остатки цементного теста, что делает их более пористыми и слабее натурального камня. Поэтому новый бетон с переработанными заполнителями часто уступает по прочности и долговечности, что представляет серьёзную проблему для безопасности конструкций.

Укрепление отходов бетона с помощью CO₂

Чтобы решить эту задачу, исследователи обратились к карбонизации — процессу, при котором CO₂ целенаправленно вводят для реакции с компонентами старого цементного теста. Внутри частиц газ образует твёрдые минералы, заполняющие поры, закрывающие микротрещины и укрепляющие зоны контакта, удерживающие новый бетон вместе. Это не только улучшает свойства материала — повышая плотность и снижая водопоглощение — но и запирает CO₂ внутри бетона, фактически превращая отходы в небольшой углеродный поглотитель. В исследовании изучали бетон с такими карбонатированными переработанными заполнителями и поставили ключевой вопрос: можно ли точно предсказать прочность этого более экологичного бетона без бесконечных лабораторных испытаний?

Обучение компьютеров предсказывать прочность

Авторы собрали 108 тщательно измеренных образцов бетона из предыдущих экспериментов. Для каждого образца фиксировали состав смеси (например, соотношение воды и цемента и долю мелкого и крупного заполнителя), качество заполнителей (их водопоглощение и сопротивление дроблению), прочность исходного «родительского» бетона, количество поглощённого CO₂ переработанными частицами и долю замены натурального камня переработанным материалом. Затем они обучили несколько регрессионных моделей машинного обучения — от простых линейных формул до более гибких деревьев решений и ансамблей — чтобы установить связь между этими входными данными и полученной прочностью на сжатие.

Распутывание сложных смесей с помощью умных моделей

Многие измеренные параметры были тесно взаимосвязаны, что может сбивать с толку традиционные статистические методы. Чтобы упростить задачу, команда объединила группы связанных переменных в два составных индекса: один описывает общее пропорционирование смеси, другой суммирует характеристики заполнителей. Затем они сравнили модели, обученные на полном подробном наборе данных, с моделями на компактных индексах. Простые линейные подходы показали приемлемые результаты, но испытывали трудности с криволинейными, переплетёнными зависимостями в данных. Напротив, ансамблевые методы на основе деревьев — деревья решений, случайные леса и LightGBM — улавливали эти закономерности с поразительной точностью, удерживая типичные ошибки прогноза чуть выше 1 мегапаскаля и объясняя более 99% наблюдаемой вариации в испытаниях.

Что важнее всего для прочного «зелёного» бетона

Чтобы приоткрыть «чёрный ящик» лучших моделей, исследователи использовали SHAP — метод, показывающий, насколько каждая входная величина обычно подтолкнёт прогноз вверх или вниз. Они обнаружили, что доминирующим фактором, управляющим прочностью, является пропорционирование смеси — особенно баланс между цементом, заполнителями и водой. Степень карбонизации переработанных заполнителей также играет важную, но нелинейную роль: более интенсивная обработка CO₂ обычно помогает, но её эффект зависит от качества исходного родительского бетона. Составный показатель производительности заполнителей имеет умеренное влияние, тогда как простое увеличение доли переработанных заполнителей менее важно, чем корректная разработка смеси и обработки.

От лабораторных данных к практическому проектированию

Проще говоря, это исследование показывает, что карбонатированный бетон с переработанным заполнителем может быть одновременно климатически сознательным и прочным — при условии тщательной настройки рецептуры. Современное машинное обучение, особенно ансамблевые методы на основе деревьев, может точно прогнозировать прочность на базе управляемого набора параметров смеси и материалов, сокращая необходимость длительных испытаний для каждой новой комбинации. Для инженеров и проектировщиков это означает, что становится всё более реалистично проектировать конструкции с повторным использованием старого бетона, запиранием CO₂ и при этом соблюдением строгих стандартов безопасности, опираясь на инструменты, работающие на данных.

Цитирование: Gebremariam, H.G., Taye, S. & Tarekegn, A.G. Compressive strength prediction of carbonated recycled aggregate concrete using regression based machine learning models. Sci Rep 16, 5825 (2026). https://doi.org/10.1038/s41598-026-36197-8

Ключевые слова: переработанный бетон, карбонизация, машинное обучение, прочность на сжатие, устойчивое строительство