Преобразование сельскохозяйственных отходов в более прочный и экологичный бетон
Бетон поддерживает наши здания, мосты и дороги, но производство цемента в его составе выбрасывает большие объемы углекислого газа. Одновременно заводы по переработке пальмового масла генерируют горы золы, которые часто просто выбрасывают. В этом исследовании рассматривается, как превратить эту золу в полезный компонент бетона и как интеллектуальные компьютерные программы могут надежно предсказывать прочность такого «зеленого» бетона до того, как будет замешана хоть одна порция.
Почему зола пальмового топлива важна
Зола пальмового топлива — это пыльный побочный продукт, остающийся после сжигания пальмовых отходов для получения энергии. В странах с развитым производством пальмового масла она накапливается в огромных количествах и может создавать проблемы утилизации и загрязнения. Тем не менее в этой золе содержатся реактивные частицы, которые частично могут заменить цемент в бетоне. Ее использование решает две задачи одновременно: уменьшает потребность в энергоемком цементе и перерабатывает сельскохозяйственные отходы. Предыдущие эксперименты показали, что при надлежащей обработке и дозировке зола пальмового топлива может давать бетон с хорошей прочностью и долговечностью. Сложность в том, что прочность зависит от множества взаимодействующих компонентов и условий твердения, поэтому проектировщикам нужен быстрый и надежный способ оценить характеристики без проведения бесконечных испытаний.
Обучение умной модели на сотнях смесей Figure 1.
Исследователи собрали данные из 22 опубликованных работ и получили 469 разных бетонных смесей, в которых использовалась зола пальмового топлива. Для каждой смеси они зафиксировали шесть ключевых ингредиентов и условий: сколько было использовано цемента и золы, количество химического пластификатора (суперпластификатора), соотношение крупного и мелкого заполнителя, водо- вяжущее соотношение и время твердения до испытания. Затем они обратились к искусственному интеллекту, построив модель, вдохновленную связями нервных клеток в мозге, известную как искусственная нейронная сеть. Этот тип модели учится на примерах: она видит множество комбинаций входных параметров и соответствующие им прочности и постепенно корректирует внутренние связи, чтобы имитировать эти результаты.
Усиление «мозга» с помощью эволюционного поиска
Сама по себе нейронная сеть может быть сложна в настройке. При неудачно выбранных внутренних параметрах она может застрять на посредственных результатах. Чтобы преодолеть это, команда сочетала нейронную сеть со вторым алгоритмом, имитирующим распространение и адаптацию видов на островах, — биогеографически-ориентированной оптимизацией. В этой схеме каждый «остров» представляет собой набор настроек сети. Характеристики успешных островов мигрируют к более слабым, а случайные изменения помогают не застревать в локальных минимумах. В ходе многих циклов такой гибридный подход уточняет сеть, чтобы она лучше соответствовала измеренным значениям прочности бетона.
Насколько хорошо работает гибридная модель Figure 2.
Чтобы проверить, действительно ли гибридная модель оправдывает себя, авторы разделили 469 смесей на отдельные наборы для обучения, настройки и независимого тестирования, а также использовали методы перекрестной проверки с многократной перетасовкой данных. Они сравнили гибридную сеть со стандартной нейронной сетью и с ранее опубликованными моделями. Гибридная версия последовательно предсказывала прочность на сжатие точнее: более 60% ее прогнозов попадали в пределах 5% от измеренных значений, по сравнению примерно с 39% у традиционной модели. Ее общая ошибка была меньше, а предсказания — более стабильны при повторной выборке данных. Анализ обученной модели также показал, какие факторы имеют наибольшее значение, выделив время твердения и водо- вяжущее соотношение как главные двигатели прочности.
Что это значит для более экологичного строительства
Для инженеров и планировщиков исследование предлагает практичный инструмент: для заданной смеси с золой пальмового топлива гибридная модель может быстро оценить, какой прочностью, вероятно, будет обладать полученный бетон в пределах диапазона виденных ею смесей. Это позволяет сэкономить время, сократить дорогостоящие пробные замесы и поощрять более широкое использование материалов из отходов, снижающих потребление цемента и выбросы. Хотя модель по‑прежнему ограничена пробелами и различиями в исходных экспериментальных данных, она демонстрирует, что сочетание обучения на данных и эволюционно‑вдохновленного поиска может помочь справиться со сложностью современных устойчивых бетонов и приблизить экологичное строительство к повседневной практике.
Цитирование: Kazemi, R., Pour, M.A. & Gandomi, A.H. Hybrid machine learning approach for predicting compressive strength of sustainable concrete incorporating palm oil fuel ash.
Sci Rep16, 14033 (2026). https://doi.org/10.1038/s41598-026-46190-w
