Оценка термически вызванного снижения прочности щелочно-активированного бетона с помощью ансамблевых регрессионных моделей

Почему горячий бетон важен

Когда в здании происходит серьёзный пожар, прочность бетона может решить — останется ли конструкция стоять или обрушится. Инженеры всё чаще обращаются к более экологичному типу бетона — щелочно-активированному бетону, который использует промышленные отходы и в целом лучше выдерживает нагрев по сравнению с традиционным портландцементом. Однако испытания каждой возможной рецептуры в печи отнимают много времени и денег. В этом исследовании показано, как современные методы, основанные на данных, могут учиться на прошлых экспериментах и быстро предсказывать, какую прочность сохранит такой «зелёный» бетон после воздействия экстремальных температур.

Более экологичный тип бетона

Щелочно-активированный бетон заменяет значительную часть обычного цемента промышленными побочными продуктами, такими как летучая зола из ТЭЦ, доменный шлак из металлургии и даже тонкоизмельчённое стёкло-отходы. Такая замена сокращает выбросы углерода и даёт этим отходам вторую жизнь. Благодаря иной внутренней гелеобразной связующей структуре этот бетон нередко лучше выдерживает нагрев. Тем не менее его поведение в условиях пожара сильно зависит от деталей: соотношения порошковых компонентов, химии активаторов, режима термообработки (время и температура выдержки) и пиковой температуры, которой он подвергается впоследствии. Эта сложность затрудняет прогнозирование оставшейся прочности после пожара только на основе первых принципов.

Доверяя данным для поиска закономерностей

Исследователи собрали подробную базу данных из 371 бетонного куба на основе летучей золы и шлака, иногда с частичной заменой тонкоизмельчённым стёклом. Для каждого куба фиксировали рецепт, режим термообработки и итоговую температуру — от обычных условий до 1000 °C — которой он подвергался перед испытанием. Вместо простых уравнений команда применила пять методов контролируемого машинного обучения. Эти алгоритмы ищут закономерности, связывающие входные данные (пропорции смеси, температура и длительность выдержки, уровень нагрева) с выходом: оставшейся прочностью бетона на сжатие.

Какой цифровой «прогнозист» лучше

В исследовании сравнивали простое дерево решений и более продвинутые «ансамблевые» методы, которые объединяют множество простых моделей для получения более надёжного прогноза. Сюда вошли бэггинг, AdaBoost, случайный лес и техника, известная как Extreme Gradient Boosting. Авторы использовали тщательную перекрёстную проверку, обучая модели на одних составах и тестируя на полностью других, чтобы имитировать реальное применение. Среди всех методов победил градиентный бустинг: он воспроизводил тестовые результаты с очень высокой степенью согласия и показал наименьшую среднюю ошибку, за ним с небольшим отставанием шёл случайный лес. В отличие от них, простая линейная модель не смогла уловить криволинейную, нелинейную зависимость прочности от состава и температуры.

Выявление действительно важных компонентов смеси

Помимо чистой точности, исследователи хотели понять, какие ингредиенты и этапы обработки действительно определяют поведение при нагреве. Они изучили корреляции и применили инструменты интерпретируемости, показывающие, насколько каждое входное переменное смещает предсказания модели. Температура отверждения, длительность отверждения и концентрация щелочного активатора оказались ключевыми факторами, контролирующими, сколько прочности бетон сохраняет после нагрева. Такие переменные, как количество крупного заполнителя или незначительные изменения содержания воды, играли менее важную роль. Анализ также отражал известные физические процессы: умеренное отверждение способствует формированию плотной связующей сети, тогда как чрезмерная температура или повышенное содержание щёлочи могут сделать затвердевший материал более ломким и склонным к растрескиванию при дальнейшем нагреве до 1000 °C.

От испытательной лаборатории к проектному инструменту

Проще говоря, эта работа превращает разрозненные печные испытания в практическое средство проектирования. Ансамблевые модели работают как быстрые обученные советники, которые могут оценить, как предложенный рецепт экологичного бетона поведёт себя при серьёзном пожаре, без необходимости изготовлять и прогревать сотни новых образцов. Подчёркивая наиболее значимые переменные, они также помогают инженерам делать более взвешенные решения по режимам отверждения и дозировке химии. Подход не заменяет тщательных испытаний и требований строительных норм и нуждается в расширении на другие материалы и условия. Тем не менее он представляет собой мощный шаг к проектированию более безопасных, огнеустойчивых и экологичных бетонных конструкций с гораздо меньшим числом проб и ошибок.

Цитирование: Deepti, Y., Kumar, S., Bandyopadhyay, A. et al. Assessment of thermally induced strength loss in alkali-activated concrete through ensemble regression models. Sci Rep 16, 14475 (2026). https://doi.org/10.1038/s41598-026-44193-1

Ключевые слова: щелочно-активированный бетон, огнеупорные материалы, машинное обучение, прочность на сжатие, устойчивое строительство