Гибридный подход машинного обучения для прогнозирования прочности на изгиб бетона, армированного отходами алюминиевых волокон

Превращение металлического мусора в более прочный бетон

Ежегодно заводы и домохозяйства производят горы алюминиевого лома — банки, провода и обрезки после обработки. Большую часть этих отходов нелегко утилизировать безопасно, хотя алюминий лёгкий, прочный и долговечный. В этом исследовании рассматривается простой, но важный вопрос: можно ли превратить этот проблемный лом в тонкие волокна, которые сделают бетон экологичнее и лучше сопротивляющимся изгибу и трещинообразованию, а также использовать умные компьютерные модели для предсказания прочности нового материала?

Почему прочность на изгиб важна

Бетон отлично выдерживает сжимающие нагрузки, но заметно слабее при изгибе. Дороги, полы, проезды мостов и взлётно-посадочные полосы часто выходят из строя не от давления, а от изгиба и трещин. Добавление волокон — один из способов помочь бетону растягиваться и удерживать сцепление при появлении трещин. Исследователи сосредоточились на алюминиевых волокнах, изготовленных из использованных банок и других обрезков. Они вводили эти волокна в бетон в разных объёмах — от 1% до 5% — и испытывали небольшие балочки на изгиб. Было обнаружено явное оптимальное значение: примерно при 3% содержания волокон балки выдерживали наибольшую изгибающую нагрузку и демонстрировали более узкие, контролируемые трещины; при большем содержании волокон происходило ухудшение из‑за комкования и снижения удобоукладываемости свежего бетона.

Построение более интеллектуального метода прогнозирования прочности

Проектирование бетона с отходными волокнами — это не просто выбор процента волокон методом проб и ошибок. Многие компоненты — цемент, вода, песок, щебень, специальные добавки, продолжительность пропитки и содержание волокон — взаимодействуют сложным образом. Чтобы выйти за пределы перебора, команда собрала набор данных из 195 результатов испытаний из собственных экспериментов и ранее опубликованных работ, все с использованием алюминиевых отходных волокон. Затем они обучили три разных типа моделей машинного обучения предсказывать прочность на изгиб по восьми базовым переменным состава и условий твердения: случайный лес (много решающих деревьев, усреднённых вместе), модель Extreme Gradient Boosting и искусственная нейронная сеть, вдохновлённая связями нейронов в мозге. Каждая модель хорошо улавливает разные закономерности в данных.

Комбинирование моделей и объяснение «чёрного ящика»

Вместо выбора одной «лучшей» модели исследователи объединили их. В этом гибридном подходе три модели дают свои предсказания, а конечный объединяющий слой учится взвешивать их, чтобы получить максимально точный ответ. Такая стекированная система предсказала прочность на изгиб с очень высокой точностью: она объясняла более 99% вариации в обучающем наборе и около 96% на новых, невидимых данных. Чтобы система не оставалась таинственным «чёрным ящиком», они использовали инструмент объяснений SHAP. Этот метод распределяет вклад каждого входного параметра — например возраста выдержки или содержания щебня — в предсказанную прочность. Анализ показал, что особенно важны возраст твердения и содержание заполнителей, тогда как процент алюминиевых волокон, хоть и полезен, в целом играл меньшую роль по сравнению с прочным «скелетом» из песка и щебня, на который опирается несущая способность бетона.

Что важнее всего внутри смеси

Анализ объяснений показал, что более длительное твердение последовательно повышает прочность на изгиб, что подтверждает ценность медленного и влажного выдерживания в реальных проектах. Крупные и мелкие заполнители вместе проявили себя как ключевые факторы: их количество и соотношение по размеру контролируют, как образуются и распространяются трещины при изгибе. Вода и цемент влияют более тонко — слишком много воды ослабляет связь пасты со щебнем, а избыток цемента может сделать материал хрупким. Отходные алюминиевые волокна помогали мостить трещины и улучшать способность бетона воспринимать растягивающие усилия, но только до примерно 3% по объёму; при большем содержании смесь становилась труднее уплотнять и менее однородной, что нивелировало преимущества дополнительного армирования. Рекомендации модели были переведены в практические диапазоны содержания заполнителей, цемента, воды и волокон, к которым инженеры могут стремиться при разработке составов.

От лабораторных данных к более экологичным сооружениям

Для неспециалиста ключевое послание ясно: можно превратить отработанный алюминий в полезный компонент, который помогает бетону сопротивляться изгибу, одновременно уменьшая объём отходов и снижая потребность в новых стальных волокнах. Сочетая аккуратные эксперименты и прозрачную многоуровневую систему обучения, исследователи создали своего рода «калькулятор», способный предсказывать прочность данной смеси с отходными волокнами и объяснять причины предсказания. Их результаты указывают, что хорошо спроектированная смесь с примерно 3% алюминиевых отходных волокон может повысить прочность на изгиб, сократить затраты на материалы и уменьшить экологический след. При масштабировании и дополнении данными этот подход может помочь инженерам уверенно использовать промышленный лом в повседневной инфраструктуре, делая мосты, дорожные покрытия и полы более прочными и устойчивыми.

Цитирование: Boursas, F., Boufarh, R., Altowaijri, Y. et al. A hybrid machine learning approach for predicting the flexural strength of concrete reinforced with waste aluminium fibres. Sci Rep 16, 10763 (2026). https://doi.org/10.1038/s41598-026-41961-x

Ключевые слова: отходы алюминиевых волокон, прочность на изгиб, устойчивый бетон, модели машинного обучения, переработанные строительные материалы