Гибридный генеративно-ансамблевый подход для прогнозирования прочностных свойств бетона с переработанным заполнителем

Почему это исследование важно для нашей застройки

Бетон повсеместно в современной жизни, но его производство потребляет огромные количества песка, камня и цемента и выбрасывает углекислый газ в атмосферу. Один из перспективных способов сократить это воздействие — повторно использовать разрушенный бетон из старых сооружений в качестве нового строительного материала. Проблема в том, что бетон с переработанными фракциями не всегда ведет себя так же, как бетон из первичного щебня. В этом исследовании показано, как современные инструменты анализа данных помогают инженерам прогнозировать прочность таких более экологичных смесей до того, как будет отлита хотя бы одна контрольная проба.

Преобразование строительного мусора в ресурс

Строительные и сносные работы ежегодно генерируют горы бетонных отходов. Вместо того чтобы отправлять этот щебень на свалки, его можно измельчить и повторно использовать в качестве заполнителя — гравелеподобного скелета нового бетона. Замена природного песка и камня переработанными фракциями сохраняет истощающиеся природные ресурсы и снижает общий экологический след строительных проектов. Однако переработанные частицы часто несут на поверхности старый цемент, имеют больше пор и образуют более слабые контактные зоны в новой смеси. Эти особенности могут снизить предельную нагрузку, которую бетон может безопасно нести, что заставляет проектировщиков осторожничать при использовании высокого долевого содержания переработанного материала.

Извлечение уроков из прошлых рецептур

Чтобы решить эту задачу, исследователи собрали данные по 112 различным рецептурам бетона, где использовались как природные, так и переработанные заполнители. Для каждой смеси они зафиксировали количество воды, цемента, песка, щебня и переработанного материала, а также четыре ключевых результата: прочность на сжатие, прочность при расщеплении на растяжение, прочность на изгиб и жесткость. Поскольку 112 примеров — это относительно небольшая выборка для обучения мощных моделей данных, команда сначала применила генеративный инструмент — условный вариационный автокодировщик, чтобы создать тысячи дополнительных синтетических смесей, имитирующих закономерности реальных. Этот этап помог моделям увидеть более широкий спектр реалистичных сочетаний при сохранении соответствия результатам реальных испытаний.

Тестирование набора моделей данных

Затем команда сравнила семь различных подходов машинного обучения для прогнозирования каждой из четырех прочностных характеристик по составу смеси. Некоторые модели были простыми линейными, предполагающими прямолинейные зависимости, другие — более гибкими методами на основе деревьев и методами опорных векторов, способными захватывать более сложные взаимосвязи в данных. Модели обучали и проверяли с помощью тщательной кросс-валидации, так что каждая оценочная предсказание делалось на данных, которых модель раньше не видела, а для финальной оценки была выделена отдельная скрытая тестовая выборка реальных смесей. Градиентный бустинг и регрессия на опорных векторах явно выделились, давая высокоточные и стабильные предсказания по всем четырем свойствам и превосходя как простые линейные приближения, так и стандартные формулы из строительных нормативов, особенно при высоком содержании переработанного заполнителя.

Заглядывая внутрь «черного ящика»

Мощные модели данных полезны инженерам лишь в том случае, если им можно доверять и их можно понять. Чтобы открыть «черный ящик», авторы использовали технику оценивания вклада признаков, которая показывает, насколько каждый ингредиент смеси смещает прогноз вверх или вниз. Они обнаружили, что связующая часть рецептуры — а именно водоцементное соотношение и количество цемента — является основным фактором прочности на сжатие, растяжение и изгиб. Напротив, жесткость в основном определяется самими заполнителями, причем переработанные мелкие фракции играют особенно заметную роль. Более высокий долевой контент переработанного песка обычно делает бетон более гибким, потому что эти зерна менее жесткие и несут старую, более слабую растворную корку. Эти закономерности соответствуют давним лабораторным наблюдениям, что повышает доверие к тому, что модель улавливает реальные физические механизмы, а не шум.

От умных прогнозов к более разумному проектированию

Проще говоря, эта работа показывает, что инструменты, основанные на данных, могут помочь инженерам быстро отсеивать более экологичные бетонные смеси с переработанным щебнем, сохраняя при этом требования безопасности и эксплуатационные характеристики. Исследование демонстрирует, что определенные современные алгоритмы способны с высокой точностью прогнозировать прочность и жесткость предлагаемых смесей и выделять, какие изменения в содержании воды, цемента или заполнителей наиболее важны. Хотя текущие результаты ограничены диапазоном смесей, представленных в исходных исследованиях, тот же рабочий процесс может быть расширен по мере поступления дополнительных данных. Это прокладывает путь к практическим средствам проектирования, которые направляют строителей к более устойчивому выбору бетона без ущерба структурной надежности.

Цитирование: Awoyera, P.O., Simwanda, L., Vasić, M.V. et al. Hybrid generative–ensemble approach for predicting recycled aggregate concrete strength properties. Sci Rep 16, 15205 (2026). https://doi.org/10.1038/s41598-026-42598-6

Ключевые слова: переработанный бетон, машинное обучение, прочность материалов, устойчивое строительство, проектирование на основе данных