Оценка прогностической точности контролируемых моделей машинного обучения для изучения механической прочности бетонов с доменным шлаком

Почему умный бетон важен

Бетон формирует наши города, но производство цемента, который его связывает, выделяет огромное количество углекислого газа — примерно 8% мировых выбросов. Один из перспективных способов сократить этот след — заменить часть обычного цемента промышленными побочными продуктами, такими как доменный шлак, стекловидный материал, получаемый при выплавке стали. Загвоздка в том, что подбор рецептуры для прочного, долговечного и низкоуглеродного бетона обычно требует месяцев лабораторных испытаний. В этом исследовании показано, как современные методы машинного обучения могут виртуально выполнить большую часть таких экспериментов методом проб и ошибок, ускоряя разработку экологически более чистого бетона.

Чистый компонент из сталелитейного производства

Доменный шлак образуется при выплавке руды для получения чугуна. Когда этот расплавленный побочный продукт быстро охлаждают и перемалывают в тонкий порошок, он ведёт себя как медленно действующий цемент. В смеси с бетоном он реагирует с соединениями, образующимися при гидратации цемента, образуя дополнительный связующий гель, который уплотняет внутренние поры. Выгоды тройные: требуется меньше цемента (снижаются выбросы CO₂), улучшается устойчивость к химическим атакам со стороны солей и кислот, и прочность продолжает нарастать в течение более длительного времени. Но характеристики чувствительно зависят от доли шлака, его взаимодействия с другими материалами и времени созревания бетона.

Преобразование разрозненных экспериментов в одну базу данных

Вместо того чтобы проводить новые лабораторные испытания для каждой возможной смеси, исследователи проанализировали предыдущие работы и открытые наборы данных по бетонам со шлаком. Они собрали 675 записей, каждая из которых описывает рецептуру бетона и измеренную прочность при сжатии (насколько большая нагрузка выдерживается до разрушения). Отслеживались восемь ключевых компонентов и условий: количество цемента, доменного шлака, летучей золы, крупного и мелкого заполнителя, воды, высокоэффективной водоредуцирующей добавки (суперпластификатора) и возраст созревания в днях. Все значения проверили, привели к единым единицам, очистили от очевидных ошибок и масштабировали, чтобы модели машинного обучения могли сопоставлять переменные на равных условиях.

Обучение моделей предсказывать прочность бетона

Имея эту базу данных, команда обучила шесть разных контролируемых моделей машинного обучения предсказывать прочность при сжатии по составу смеси: AdaBoost, одно дерево решений, Gradient Boosting, k‑Nearest Neighbors и две продвинутые древовидные методы — LightGBM и XGBoost. Для обучения использовали 80% данных и 20% — для тестирования способности моделей работать с новыми, невиданными рецептами. Чтобы избежать переобучения — когда модель запоминает прошлые данные, но плохо работает на новых примерах — они систематически настраивали параметры через grid search и кросс‑валидацию, а затем оценивали производительность стандартными метриками, такими как коэффициент детерминации (R²) и различные статистики ошибок.

Что управляет прочностью в более экологичных смесях

Две наиболее мощные модели, LightGBM и XGBoost, воспроизвели лабораторные значения прочности с высокой точностью, объясняя более 94% изменчивости в тестовых данных. Чтобы сделать эти «чёрные ящики» понятными, авторы применили SHAP (метод, распределяющий вклад каждой входной переменной в предсказание) и графики частичных зависимостей, которые показывают, как изменение одной переменной сказывается на предсказанной прочности при фиксированных значениях остальных. Эти инструменты выявили, что возраст созревания оказывает наибольшее положительное влияние: более длительное созревание стабильно давало более прочный бетон. Суперпластификатор и содержание цемента были следующими по влиянию, повышая прочность за счёт улучшения уплотнения и снижения излишней воды. Сама вода показала сильный отрицательный эффект — её избыток ослабляет смесь — в то время как доменный шлак помогал до определённого предела, после которого эффект выравнивался.

Поиск оптимума для шлака

Просматривая модели при разных долях шлака, исследователи определили оптимальное окно замены: когда доменный шлак составлял примерно 30–40% от общего количества цементирующих материалов, бетон, как правило, достигал более высокой прочности при сжатии, особенно при возрасте созревания 28 дней и более. Увеличение содержания шлака гораздо выше, особенно выше 50%, часто замедляло ранний набор прочности, что критично для строительных графиков. Эти выводы, извлечённые из многих небольших работ, дают практическое руководство: инженеры могут уверенно ориентироваться на этот промежуточный диапазон шлака, чтобы сбалансировать прочность, долговечность и сокращение выбросов без необходимости исчерпывающего тестирования для каждого проекта.

Что это означает для будущего строительства

Для неспециалистов ключевое послание простое: компьютеры теперь могут учиться на прошлых экспериментах с бетоном достаточно хорошо, чтобы предлагать прочные, низкоуглеродные рецептуры ещё до того, как будет приготовлена первая пробная партия. В этой работе модель LightGBM оказалась чуть точнее XGBoost, но обе показали высокую точность и достаточную интерпретируемость, чтобы показать, какие ингредиенты важнее всего и где шлак работает лучше всего. Такое сочетание скорости и прозрачности позволяет проектировщикам сокращать время, затраты и отходы материалов, одновременно эффективнее используя промышленные побочные продукты. По мере роста и стандартизации наборов данных такие инструменты могут помочь строительной отрасли снизить свой климатический след, при этом обеспечивая надёжные и долговечные сооружения.

Цитирование: Sobuz, M.H.R., Majumder, S., Afrin, M.S. et al. Evaluating the predictive accuracy of supervised machine learning models to explore the mechanical strength of blast furnace slag incorporated concrete. Sci Rep 16, 6712 (2026). https://doi.org/10.1038/s41598-026-36437-x

Ключевые слова: бетон с доменным шлаком, машинное обучение, прочность при сжатии, устойчивое строительство, замена цемента