Förutsägelse av tryckhållfasthet för karbonatiserat återvunnet ballastbetong med regressionsbaserade maskininlärningsmodeller

Göra gammal betong till en klimatvänlig resurs

Varje år river städer enorma mängder betong, skickar sönderslagna bitar till deponier och kräver ny sten från stenbrott. Denna studie undersöker ett sätt att sluta kretsloppet: att använda krossad betongavfall för att binda koldioxid och sedan förutsäga hur stark den nya, grönare betongen blir med moderna maskininlärningsverktyg. För den som intresserar sig för klimatvänliga städer och smartare användning av data visar arbetet hur artificiell intelligens kan hjälpa ingenjörer att utforma säkrare, mer hållbara byggnader av gårdagens rivningsmaterial.

Varför återanvändning av betong är viktigt

Betong finns överallt—vägar, broar, skyskrapor—och produktionen kräver stora mängder natursten och energi samtidigt som stora volymer CO₂ släpps ut. Återvunna betongballast, framställda genom krossning av gammal betong, kan minska detta tryck genom att minska bergtäkter och avfallsflöden till deponi. Men det finns en utmaning: dessa återvunna bitar bär vanligtvis kvarvarande cementpasta på ytan, vilket gör dem mer porösa och svagare än naturlig sten. Det innebär ofta att ny betong med återvunnen ballast inte blir lika stark eller hållbar, en allvarlig oro för bärande konstruktioner.

Göra avfallsbetong starkare med CO₂

För att tackla detta problem har forskare vänt sig till karbonatisering, en process där CO₂ medvetet introduceras för att reagera med föreningar i den gamla cementpastan. Inuti de återvunna partiklarna bildar gasen fasta mineraler som fyller porer, tätar mikrokrackor och stärker kontaktytorna som håller ihop den nya betongen. Detta förbättrar inte bara materialets kvalitet—ökar densiteten och minskar vattenupptaget—utan lagrar också CO₂ i betongen, vilket effektivt gör avfallet till en liten kolsänka. Studien fokuserade på betong med dessa karbonatiserade återvunna ballast och ställde en kärnfråga: kan vi på ett tillförlitligt sätt förutsäga hur stark denna grönare betong blir utan att köra ändlösa laboratorietester?

Lära datorer att förutsäga hållfasthet

Författarna sammanställde 108 noggrant mätta betongprov från tidigare experiment. För varje prov noterades hur blandningen satts ihop (såsom vatten-cement-förhållande och hur mycket fin och grov ballast som användes), hur bra ballastarna var (deras vattenupptag och krosshållfasthet), hur stark den ursprungliga ”moder”betongen hade varit, hur mycket CO₂ de återvunna bitarna tagit upp och vilken andel naturstensballast som ersatts av återvunnet material. De tränade sedan flera regressionsbaserade maskininlärningsmodeller—från enkla linjära formler till mer flexibla besluts-träd och ensemblemetoder—för att lära sambandet mellan dessa indata och den resulterande tryckhållfastheten.

Lösa upp komplexa blandningar med smarta modeller

Många av de uppmätta ingredienserna var starkt sammankopplade, vilket kan förvirra traditionella statistiska metoder. För att förenkla kombinerade teamet grupper av relaterade variabler till två sammansatta index: ett som beskriver hur blandningen proportionerats övergripande och ett annat som summerar ballasternas prestanda. De jämförde sedan modeller tränade på den fullständiga, detaljerade datan med modeller tränade på dessa kompakta index. Enkla linjära tillvägagångssätt fungerade någorlunda men hade svårt med de kurvade, invecklade relationerna i datan. Träd-baserade ensemblemetoder—beslutsträd, random forest och LightGBM—fångade däremot dessa mönster med anmärkningsvärd precision, höll typiska förutsägelsefel kring strax över 1 megapaskal i hållfasthet och förklarade mer än 99 % av variationen som observerades i testerna.

Vad som betyder mest för stark grön betong

För att öppna ”svarta lådan” hos de bäst presterande modellerna använde forskarna SHAP, en teknik som visar hur mycket varje indata i genomsnitt skjuter förutsägelser uppåt eller nedåt. De fann att hur blandningen proportionerats—särskilt balansen mellan cement, ballast och vatten—är den dominerande faktorn som styr hållfastheten. Grad av karbonatisering i de återvunna ballastarna spelar också en stor men icke-linjär roll: mer CO₂-behandling hjälper i allmänhet, men effekten beror på kvaliteten hos den ursprungliga moderbetongen. Den sammansatta indikatorn för ballastprestanda har en måttlig påverkan, medan enbart att öka andelen återvunnen ballast spelar mindre roll än att få blandningsreceptet och behandlingarna rätt.

Från laboratoriedata till praktisk utformning

Enkelt uttryckt visar denna studie att karbonatiserad återvunnen ballastbetong kan vara både klimatmedveten och stark—förutsatt att receptet justeras noggrant. Modern maskininlärning, särskilt träd-baserade ensemblemodeller, kan på ett tillförlitligt sätt förutsäga hållfasthet utifrån en hanterbar uppsättning blandnings- och materialparametrar, vilket minskar behovet av tidskrävande tester för varje ny kombination. För ingenjörer och planerare innebär detta att det blir mer realistiskt att utforma konstruktioner som återanvänder gammal betong, binder CO₂ och ändå uppfyller stränga säkerhetskrav, med databaserade verktyg som vägleder processen.

Citering: Gebremariam, H.G., Taye, S. & Tarekegn, A.G. Compressive strength prediction of carbonated recycled aggregate concrete using regression based machine learning models. Sci Rep 16, 5825 (2026). https://doi.org/10.1038/s41598-026-36197-8

Nyckelord: återvunnen betong, karbonatisering, maskininlärning, tryckhållfasthet, hållbart byggande