Моделирование механических свойств резинобетона с помощью программирования генетического выражения (GEP) и случайного леса: сравнительное исследование

Преобразование старых шин в более прочные и экологичные здания

Ежегодно миллиарды шин выходят из строя и часто оказываются на свалках или в запрещённых свалочных зонах, где они представляют риск пожаров и загрязнения. Одновременно строительная отрасль потребляет огромные объёмы песка, щебня и энергии, внося значительный вклад в изменение климата. В этом исследовании рассматривается способ решения обеих проблем одновременно: измельчение изношенных шин и использование резины в составе бетона, а затем применение современных вычислительных методов для прогнозирования прочности такого «резинобетона» без необходимости проводить бесконечные лабораторные испытания.

Зачем добавлять резину в бетон?

Бетон — основа современной инфраструктуры, но производство его компонентов, особенно цемента и природных заполнителей, трудо- и энергоёмко и истощает природные ресурсы. Заменяя часть песка и гравия кусочками резины из отходов покрышек, инженеры могут сократить потребность в первичных материалах и удержать использованные шины вне свалок. Частицы резины также могут придавать бетону полезные свойства: они поглощают удары, снижают шум и повышают стойкость к износу и температурным колебаниям. Однако добавление резины обычно ослабляет способность бетона противостоять растрескиванию и растяжению. Точное измерение того, сколько прочности теряется или приобретается при изменении рецептуры, традиционно требует множества длительных и дорогостоящих экспериментов.

Пусть компьютеры учатся на прошлых экспериментах

Чтобы не испытывать все возможные смеси вручную, исследователи обратились к машинному обучению — вычислительным методам, которые обнаруживают закономерности в данных. Они собрали 112 наборов экспериментальных результатов из исследований по всему миру, все — по резинобетону. Каждая запись описывала уникальную рецептуру, включая количества крупного и мелкого заполнителя, резины в виде дроблёной и порошковой фракций, химических добавок — суперпластификаторов, водоцементного соотношения и возраст образцов. Для каждой рецептуры фиксировались два ключевых показателя: изгибная прочность (способность балки сопротивляться изгибу) и прочность при расколе (способность противостоять растягивающим усилиям). На основе объединённой базы данных команда обучила два разных алгоритма машинного обучения в параллель, чтобы выяснить, какой из них лучше предсказывает эти показатели.

Два разных способа «мышления» компьютера

Первый метод, программирование генетического выражения, работает отчасти как эволюция в природе. Он стартует с множества случайных математических формул и постепенно улучшает их, имитируя мутации и рекомбинацию, в результате чего получают читаемые человеком уравнения, связывающие компоненты смеси с прочностью. Второй метод, случайный лес, строит большое собрание решающих деревьев — простых правил — и позволяет им «голосовать» за предсказание прочности. В то время как случайный лес воспринимается более как «чёрный ящик», он часто даёт высокую точность. Оба метода были тщательно настроены и оценены с помощью стандартных статистических метрик, сравнивающих предсказанные значения прочности с измеренными в лаборатории данными для смесей, которые модели ранее не видели.

Чему модели научились о резинобетоне

Оба подхода уловили общие закономерности поведения резинобетона, но случайный лес оказался точнее. Для невидимых тестовых данных он воспроизводил изгибную и растяжительную прочности с коэффициентами корреляции, близкими к идеальному совпадению, заметно превосходя программирование генетического выражения. Анализ ошибок показал, что большинство предсказаний укладываются в скромный диапазон отклонений от реальных значений, с лишь несколькими выбросами. Чтобы приоткрыть чёрный ящик, команда использовала инструмент SHAP, который распределяет вклад каждого ингредиента в конкретное предсказание. Это показало, что традиционные заполнители и водоцементное соотношение сильно влияют на изгибную прочность, в то время как количество и тип резины, а также суперпластификатор и содержание воды играют ключевые роли в том, насколько хорошо бетон противостоит растягивающим нагрузкам. В целом увеличение доли резины и воды склонно снижать прочность, тогда как сбалансированные заполнители и добавки могут частично компенсировать потери.

Что это значит для будущего строительства

Для неспециалистов основной вывод заключается в том, что мы вполне можем разрабатывать более экологичные бетоны с переработанными шинами без слепых экспериментов. Исследование показывает, что умные компьютерные модели, особенно случайные леса, способны надежно предсказывать, как изменения в рецептуре резинобетона повлияют на его склонность к растрескиванию и изгибу, используя лишь несколько легко измеряемых входных параметров. Это означает, что инженеры могут сократить дорогие испытания методом проб и ошибок, ускорить внедрение материалов из отходов и более уверенно задавать составы, которые уравновешивают экологические преимущества с безопасностью и долговечностью. В долгой перспективе такие инструменты могут помочь превратить горы старых шин в безопасные мосты, дороги и здания, сокращая и свалки, и углеродный след строительства.

Цитирование: Sheraz, M., Talha, M., Alam, M. et al. Modeling mechanical properties of rubberized concrete using gene expression programming (GEP) and random forest: a comparative study. Sci Rep 16, 8714 (2026). https://doi.org/10.1038/s41598-026-40897-6

Ключевые слова: резинобетон, утилизация покрышек, машинное обучение в строительстве, моделирование случайным лесом, устойчивые материалы