Прогноз прочности на сжатие и изгиб композитов из гипса с добавлением пшеничной соломы на основе машинного обучения

Преобразование сельскохозяйственных отходов в строительный материал

Каждый год фермеры по всему миру сжигают горы оставшейся соломы, а города заливают огромные объёмы бетона, что приводит к значительным выбросам углекислого газа. В этом исследовании рассматривается способ одновременно решить обе проблемы: использовать пшеничную солому, как отходы сельского хозяйства, для армирования гипсовых строительных материалов и применять интеллектуальные вычислительные инструменты для прогнозирования прочности этих более экологичных материалов.

Зачем искать альтернативы обычному бетону

Бетон — один из наиболее широко используемых материалов на планете, но производство его ключевого компонента, цемента, порождает огромные объёмы CO2. В отличие от него производство гипса, другого минерального вяжущего, даёт гораздо меньшие выбросы. Гипс уже применяется в таких знакомых изделиях, как гипсокартон и внутренняя перегородка, и обладает хорошей пожаростойкостью, звукоизоляцией и малым весом. Однако сам по себе гипс хрупок и недостаточно прочен для многих конструктивных применений, что ограничивает его способность безопасно заменять бетон или кирпичи.

Давая соломе вторую жизнь

Современное сельское хозяйство производит огромные объёмы отходов, и пшеничная солома — яркий пример. В таких странах, как Пакистан, большую часть этой соломы сжигают в открытых полях, усугубляя смог и вредя здоровью людей. Вместо того чтобы рассматривать солому как проблему утилизации, авторы предлагают использовать её как дешёвый, возобновляемый компонент для строительства. При добавлении небольшого количества волокон соломы в гипс материал может лучше деформироваться перед разрушением и приносить пользу ресурсам, которые в противном случае были бы потеряны. Но итоговая прочность зависит одновременно от множества факторов: качества гипса, воды, доли соломы и химических добавок, которые взаимодействуют сложными способами.

Обучение машин на основе экспериментов

Проводить физические испытания для каждой возможной рецептуры смесей соломы и гипса было бы медленно и дорого. Чтобы решить эту проблему, исследователи собрали данные по 161 ранее испытанным смесям из литературы. Для каждой рецептуры они зафиксировали такие параметры, как прочность и количество гипса, содержание воды и соотношение вода/гипс, добавленную долю соломы и наличие двух распространённых добавок. Также отмечались два ключевых результата: сопротивляемость образцов сжатию (прочность на сжатие) и изгибу (прочность на изгиб). Используя эти данные, они обучили пять различных моделей машинного обучения, чтобы компьютеры могли выявлять связь между входными параметрами и прочностью без заранее заданной формулы.

Поиск самого надёжного цифрового предсказателя

Команда сравнивала искусственные нейронные сети, гауссовскую процессную регрессию, случайные леса, градиентный бустинг (extreme gradient boosting) и опорные векторные машины. Каждая модель проверялась с помощью тщательного метода кросс-валидации, который многократно обучает модель на части данных и тестирует на оставшейся, чтобы избежать самообмана. Среди всех подходов гауссовская процессная регрессия выделилась: она предсказывала как прочность на сжатие, так и на изгиб точнее и стабильнее остальных. Дополнительное преимущество этого метода в том, что он даёт не только одну оценку, но и интервал неопределённости, показывающий уверенность прогноза — полезную функцию при принятии инженерных решений, связанных с безопасностью.

Что важнее всего в смеси

Чтобы модели не превращались в загадочные «чёрные ящики», авторы выясняли, какие ингредиенты больше всего влияют на прогнозы. В лучших моделях ключевым фактором как для сжимающей, так и для изгибающей прочности оказалась собственная прочность самого гипса. Также важную роль играли общее количество гипса и объём использованной воды, поскольку они определяют плотность и пористость конечного материала. Пшеничная солома и химические добавки оказывали второстепенное влияние: в некоторых диапазонах они помогали корректировать поведение, но избыток воды, соломы или добавок обычно снижал прочность из‑за появления дополнительных пустот или нарушения сцепления в затвердевшей смеси.

От умных прогнозов к более экологичным зданиям

Проще говоря, исследование показывает, что компьютеры могут с высокой точностью предсказывать прочность гипса с армирующей соломой по заданной рецептуре, не требуя отливок и дробления каждого нового образца в лаборатории. Лучшая модель, гауссовская процессная регрессия, не только даёт надёжные оценки прочности, но и указывает степень уверенности в каждом прогнозе. Такое сочетание устойчивых ингредиентов и интеллектуальных инструментов прогноза может направлять проектировщиков к гипсосоломенным изделиям, достаточно прочным для своих назначений, сокращая использование цемента и сжигание сельскохозяйственных остатков. Таким образом, это приближает методы строительства, более щадящие к климату и более рационально использующие имеющиеся материалы.

Цитирование: Ahmad, H., Ejaz, M.F., Riaz, M.R. et al. Machine learning-based prediction of compressive and flexural strength of wheat straw reinforced sustainable gypsum composites. Sci Rep 16, 15087 (2026). https://doi.org/10.1038/s41598-026-45024-z

Ключевые слова: гипсовые композиты, пшеничная солома, машинное обучение, прочность на сжатие, устойчивое строительство