Фреймворк машинного обучения с физическими ограничениями для бетона с РКА на основе экспериментальной базы данных, моделирования и статистической проверки

Превращение старого бетона в новый ресурс

Ежегодно миллиарды тонн разрушенного бетона от снесённых зданий и дорог рассматриваются как отходы, хотя значительная часть этого материала могла бы быть повторно использована. В этом исследовании изучают, как превратить такой строительный мусор в надёжный новый бетон, сочетая тщательные лабораторные испытания с современными методами машинного обучения. Цель — сделать строительство более устойчивым, не жертвуя безопасностью, путем определения того, сколько переработанного материала можно использовать и при каких условиях.

Почему повторное использование бетона не так просто

Щебень из переработанного бетона получают путём дробления старого бетона на куски, которые могут заменить обычно добываемую для нового строительства гальку и песок. Его использование сокращает объёмы отходов, разработку карьеров и выбросы при транспортировке. Но такие переработанные частицы сохраняют следы старого раствора и мелкие трещины, из-за чего они более пористые и менее однородные, чем природный щебень. В результате бетон с переработанным заполнителем может терять прочность и становиться менее предсказуемым. Инженерам нужны чёткие, надёжные правила о том, как разные доли, размеры и качества переработанного заполнителя влияют на прочность нового бетона.

Формирование обширной экспериментальной картины

Чтобы ответить на эти вопросы, исследователи провели всестороннюю серию опытов с бетонными смесями, используя переработанный материал из шести различных классов исходной прочности — от очень слабого до прочного конструкционного бетона. Переработанные заполнители разделили на три фракции — мелкую, среднюю и гравийную — и использовали их для замены от 10% до 50% природного заполнителя при неизменных условиях по воде и цементу. Для каждой смеси измеряли прочность на сжатие (насколько она выдерживает сжатие), прочность при растяжении раскалыванием (поведение на растяжение) и изгибную прочность (поведение при изгибе). Во всех испытаниях прочность последовательно снижалась с увеличением доли переработанного заполнителя, но величина падения сильно зависела от размера частиц и качества исходного бетона. Мелкие переработанные частицы, с большим количеством прикреплённого старого раствора и пор, наносили наибольший ущерб прочности, тогда как крупные и гравийные фракции были менее вредоносными.

Определение безопасных пределов и ключевых факторов

Экспериментальные результаты выявили практические правила проектирования, которые могут направлять реальное строительство. Когда переработанный материал происходил из низкопрочного исходного бетона, замена 30% природного заполнителя приводила к двузначным процентным потерям как прочности на сжатие, так и на растяжение, особенно при использовании мелких фракций. Напротив, если переработанный заполнитель получен из высокопрочного бетона, потери прочности при замене на 30% были невелики, и в целом характеристики оставались приемлемыми для конструкционного применения. Во многих сериях наблюдалась устойчивая «точка перегиба»: смеси с 10% или 20% переработанного заполнителя обычно сохраняли хорошую прочность, тогда как превышение примерно 30% вызывало заметное снижение, особенно для материалов с низкой исходной прочностью и для более мелких фракций. Эти закономерности согласуются с предыдущими исследованиями и показывают, что не все переработанные заполнители одинаковы — важны качество и размер частиц.

Обучение моделей с учётом физических ограничений

Поскольку проводить бесконечные лабораторные испытания непрактично, команда обратилась к машинному обучению для прогнозирования прочности при новых комбинациях, которые не тестировались физически. Вместо того чтобы кормить модель только необработанными данными, они ввели так называемый фреймворк с физическим направлением. Сначала результаты испытаний аккуратно очистили и организовали, затем создали дополнительные «синтетические» точки данных, слегка варьируя параметры смеси и значения прочности в узких реалистичных пределах, отражающих обычную лабораторную изменчивость. Далее использовали продвинутый метод оверсэмплинга для заполнения пробелов между испытанными смесями, но только по направлениям, которые имели физический смысл. Эти расширенные наборы данных использовали для обучения двух популярных ансамблевых моделей, XGBoost и LightGBM, а также простых линейных суррогатных уравнений, которые суммируют доминирующие тенденции в форме, удобной для инженеров.

Насколько хорошо работают прогнозы

После обучения модели оценивали на полностью невидимых тестовых смесях. Их прогнозы прочности на сжатие и растяжение хорошо совпадали с измерениями, с ошибками в пределах, типичных для повторных лабораторных испытаний. Модели особенно точно предсказывали прочность на растяжение, где базовый характер снижения прочности с увеличением доли переработанного заполнителя более плавный и легче аппроксимируется. Важно, что авторы проверили, что предсказанные снижения прочности при большем содержании переработанного материала не являются статистическими случайностями: стандартные статистические тесты показали, что эти тенденции сильны и высоко значимы. Сравнивая версии моделей с расширением данных, направленным физикой, и без него, они обнаружили, что направленный подход даёт чуть менее впечатляющие показатели точности по стандартным метрикам, но значительно более стабильное и реалистичное поведение, особенно в областях с высоким содержанием замены и нехваткой данных.

Что это значит для более экологичного строительства

Проще говоря, работа показывает, что с помощью компьютерных моделей можно проектировать более экологичные бетонные смеси с переработанным заполнителем, не оставляя физику процесса в стороне. Исследование подтверждает, что умеренные доли высококачественного переработанного щебня — особенно крупные фракции из более прочного исходного бетона — могут безопасно заменять значительную часть природного заполнителя. Одновременно оно демонстрирует способ, которым машинное обучение может оставаться привязанным к реальному поведению, учитывая известные пределы и тенденции. Такой инструмент предсказания с учётом физических ограничений может помочь инженерам принимать лучшие и более быстрые решения по проектированию составов, поддерживая более широкое применение переработанного бетона при сохранении безопасности и надёжности конструкций.

Цитирование: Mohamud, M.A., Alasiri, M.R., Özdöner, N. et al. Physics-guided machine learning framework for RCA concrete by experimental database, modelling, and statistical validation. Sci Rep 16, 7907 (2026). https://doi.org/10.1038/s41598-026-38554-z

Ключевые слова: щебень из переработанного бетона, устойчивое строительство, машинное обучение в материаловедении, проектирование состава на основе данных, прогноз прочности бетона