Utvärdering av prediktiv noggrannhet hos övervakade maskininlärningsmodeller för att utforska mekanisk hållfasthet i betong innehållande masugnsslagg

Varför smartare betong spelar roll

Betong formar våra städer, men produktionen av cementet som håller allt samman släpper ut stora mängder koldioxid—ungefär 8 % av de globala utsläppen. Ett lovande sätt att minska detta fotavtryck är att ersätta en del av vanligt cement med industriella biprodukter som masugnsslagg, ett glassigt material från stålframställning. Problemet är att hitta rätt recept för stark, hållbar och låg‑koldioxidbetong ofta kräver månader av laboratoriearbete. Den här studien visar hur modern maskininlärning kan utföra mycket av det där försöks‑och‑fel‑arbetet virtuellt och därigenom påskynda utformningen av grönare betong.

En renare ingrediens från stålframställning

Masugnsslagg uppstår när järnmalm smälts för att producera tackjärn. När denna flytande biprodukt snabbt kyls ner och mals till fint pulver beter den sig som ett långsamt verkande cement. Blandad i betong reagerar den med föreningar som bildas under cementhydratation för att skapa extra bindande gel, vilket förtätar de inre porerna. Fördelarna är tredubbla: mindre cement krävs (vilket minskar CO₂‑utsläppen), angrepp av salter och syror motverkas bättre, och hållfastheten fortsätter att öka över längre tid. Prestandan är dock mycket känslig för hur mycket slagg som tillsätts, hur den interagerar med andra material och hur länge betongen härdas.

Att omvandla spridda experiment till en enhetlig datamängd

I stället för att utföra nya laboratorietester för varje möjlig blandning gick forskarna igenom tidigare studier och öppna dataset om betonger som innehåller slagg. De sammanställde 675 dataposter, där varje post beskriver ett betongrecept och dess uppmätta tryckhållfasthet (hur mycket tryck det tål innan det krossas). Åtta viktiga ingredienser och förhållanden följdes: mängder av cement, masugnsslagg, flygaska, grovt och fint ballastmaterial, vatten och en högverkande vattenreducerande tillsats kallad superplasticizer, samt härdningstid i dagar. Alla värden kontrollerades, standardiserades till gemensamma enheter, rensades från uppenbara fel och omskalades så att maskininlärningsmodellerna kunde jämföra variabler på lika villkor.

Träning av maskiner för att förutsäga betongens hållfasthet

Med denna databas till hands tränade teamet sex olika övervakade maskininlärningsmodeller för att förutse tryckhållfasthet utifrån blandningsdesign: AdaBoost, ett enda besluts träd, Gradient Boosting, k‑Nearest Neighbors samt två avancerade träd‑baserade metoder kända som LightGBM och XGBoost. De använde 80 % av datan för träning och 20 % för att testa hur väl varje modell hanterade nya, aldrig tidigare sedda recept. För att undvika överanpassning—där en modell memorerar tidigare data men misslyckas i praktiken—finjusterade de systematiskt modellinställningarna med grid search och korsvalidering, och bedömde sedan prestanda med vanliga mått såsom determinationskoefficienten (R²) och olika felstatistik.

Vad som styr hållfastheten i grönare blandningar

De två mest kraftfulla modellerna, LightGBM och XGBoost, återskapade laboratoriehållfastheter med hög noggrannhet och fångade över 94 % av variationen i testdatan. För att göra dessa ”svarta låda”-modeller begripliga tillämpade författarna SHAP (en metod som tilldelar varje indata en andel av prediktionen) och partial dependence‑diagram, som visar hur förändring av en variabel skiftar den förutsagda hållfastheten medan andra hålls konstanta. Dessa verktyg avslöjade att härdningstid hade den största positiva effekten: längre härdning innebar konsekvent starkare betong. Superplasticizer och cementinnehåll var de näst mest inflytelserika och ökade hållfastheten genom att förbättra packningen och minska onödigt vatten. Vatten visade en stark negativ effekt—för mycket försvagar blandningen—medan masugnsslagg hjälpte upp till en viss nivå, varefter effekten avplattades.

Att hitta det optimala intervallet för slagg

Genom att låta modellerna beräkna över olika slagghalter identifierade forskarna ett optimalt ersättningsintervall: när masugnsslagg utgjorde ungefär 30–40 % av det totala cementistiska materialet tenderade betongen att uppnå högre tryckhållfasthet, särskilt vid härdningstider från 28 dagar och framåt. Att öka slaggandelen mycket mer, särskilt över 50 %, saktade ofta ned tidig hållfasthetstillväxt, vilket kan vara kritiskt för byggtidsplaner. Dessa insikter, härledda ur många små studier, ger praktisk vägledning: ingenjörer kan med förtroende sikta på detta mellanliggande slaggintervall för att balansera hållfasthet, beständighet och koldioxidbesparingar utan att behöva utreda varje projekt med omfattande tester.

Vad detta betyder för framtidens byggande

För icke‑specialister är huvudbudskapet enkelt: datorer kan nu lära sig från tidigare betongexperiment tillräckligt bra för att föreslå starka, låg‑koldioxidblandningar innan en enda sats hälls upp. I detta arbete framträdde LightGBM som något mer exakt än XGBoost, men båda var tillräckligt precisa och tolkbara för att visa vilka ingredienser som betyder mest och var slagg presterar bäst. Denna kombination av snabbhet och transparens innebär att konstruktörer kan minska tid, kostnader och materialspill samtidigt som industriella biprodukter används bättre. Allteftersom datamängder växer och blir mer standardiserade kan sådana verktyg hjälpa byggbranschen att minska sin klimatpåverkan samtidigt som man levererar säkra och hållbara konstruktioner.

Citering: Sobuz, M.H.R., Majumder, S., Afrin, M.S. et al. Evaluating the predictive accuracy of supervised machine learning models to explore the mechanical strength of blast furnace slag incorporated concrete. Sci Rep 16, 6712 (2026). https://doi.org/10.1038/s41598-026-36437-x

Nyckelord: betong med masugnsslagg, maskininlärning, tryckhållfasthet, hållbart byggande, ersättning av cement