Fysikvägledt maskininlärningsramverk för RCA-betong genom experimentdatabas, modellering och statistisk validering

Att förvandla gammal betong till en ny resurs

Varje år behandlas miljarder ton krossad betong från rivna byggnader och vägar som avfall, trots att en stor del skulle kunna återanvändas. Denna studie undersöker hur man kan omvandla detta rivningsmaterial till pålitlig ny betong genom att kombinera noggranna laboratorietester med modern maskininlärning. Målet är att göra byggandet mer hållbart utan att kompromissa med säkerheten, genom att ta reda på exakt hur mycket återvunnet material som kan användas och under vilka förhållanden.

Varför återanvändning av betong inte är enkel

Återvunnen betongtillsats (recycled concrete aggregate) framställs genom att krossa gammal betong till mindre bitar som kan ersätta det grus och sand som normalt bryts för nybyggnation. Att använda detta minskar avfall, sprängstensbrytning och transportutsläpp. Men dessa återvunna partiklar bär fortfarande med sig bitar av gammal bruk och små sprickor, vilket gör dem mer porösa och mindre homogena än naturligt stenmaterial. Som en följd kan betong med återvunnen tillsats förlora i hållfasthet och bli svårare att förutsäga. Ingenjörer behöver tydliga, pålitliga regler för hur olika mängder, kornstorlekar och kvalitet hos återvunnen tillsats påverkar styrkan i ny betong.

Att bygga en rik experimentell bild

För att besvara dessa frågor genomförde forskarna en omfattande serie betongblandningar med återvunnet material från sex olika ursprungliga hållfasthetsklasser, från mycket svag till stark strukturell betong. De delade in de återvunna ballastarna i tre kornstorleksband — finkornigt, mellan och grusstorlek — och använde dem för att ersätta 10 % till 50 % av den naturliga balasten, samtidigt som vatten- och cementförhållanden hölls oförändrade. För varje blandning mätte de tryckhållfasthet (hur mycket pressning den tål), delningsdraghållfasthet (hur den beter sig i drag) och böjhållfasthet (hur den böjs). I samtliga tester minskade styrkan konsekvent när andelen återvunnen ballast ökade, men storleken på minskningen berodde starkt på både partikelstorlek och kvaliteten hos ursprungsbetongen. Fina återvunna partiklar, med mer fastsittande gammalt bruk och porer, gav största skadan på hållfastheten, medan grovare och grusstorlekar var mindre skadliga.

Att finna säkra gränser och viktiga påverkansfaktorer

De experimentella resultaten avslöjade användbara konstruktionsregler som kan vägleda praktiskt byggande. När det återvunna materialet kom från lågstyrkig ursprungsbetong ledde en ersättning på 30 % av naturlig ballast till tvåsiffriga procentuella förluster i både tryck- och draghållfasthet, särskilt när finkorniga partiklar användes. Därigenom, när den återvunna ballasten härstammade från högstyrkig betong, var styrkeförlusterna vid 30 % ersättning små och den övergripande prestandan förblev acceptabel för strukturellt bruk. I många serier framträdde en konsekvent ”tipping point”: blandningar med 10 % eller 20 % återvunnen ballast behöll i allmänhet god hållfasthet, medan ett överskridande av ungefär 30 % gav ett märkbar minskning, särskilt för svagare källmaterial och finare fraktioner. Dessa mönster stämmer överens med tidigare studier och visar att inte alla återvunna ballastmaterial är lika — kvalitet och storlek spelar roll.

Att lära maskiner att respektera fysiken

Eftersom det är opraktiskt att genomföra oändliga laboratorietester vände sig teamet till maskininlärning för att förutsäga hållfasthet för nya kombinationer som inte fysiskt testats. Istället för att mata datorn enbart med rådata införde de vad de kallar ett fysikväglett ramverk. Först rengjorde och organiserade de noggrant testresultaten, och skapade därefter ytterligare ”syntetiska” datapunkter genom att försiktigt justera blandningsparametrar och hållfastheter inom snäva, realistiska gränser som speglar vanlig laboratorievariabilitet. Därefter använde de en avancerad oversampling-metod för att fylla luckor mellan testade blandningar, men endast i riktningar som var fysiskt meningsfulla. Dessa berikade dataset tränade två populära ensemblemodeller, XGBoost och LightGBM, tillsammans med enkla linjära surrogatlikningar som sammanfattar de dominerande trenderna i en form som ingenjörer lätt kan använda.

Hur väl förutsägelserna fungerar

När modellerna väl tränats bedömdes de på helt osedda testblandningar. Deras förutsägelser för tryck- och draghållfasthet överensstämde väl med mätningarna, med fel som höll sig inom det spann som vanligtvis observeras vid upprepade laboratorietester. Modellerna var särskilt exakta för draghållfasthet, där den underliggande degraderingskurvan med mer återvunnen ballast är jämnare och lättare att fånga. Viktigt är att författarna kontrollerade att de förutsagda minskningarna i hållfasthet vid högre andel återvunnet material inte var statistiska tillfälligheter: standardstatistiska tester visade att dessa trender är både starka och högt signifikanta. Genom att jämföra versioner av modellerna med och utan fysikvägledd dataexpansion fann de att den vägledda metoden gav något mindre iögonfallande mått på noggrannhet, men betydligt stabilare och mer realistiskt beteende, särskilt i regioner med hög ersättning och sparsamma data.

Vad detta innebär för grönare byggande

I vardagliga termer visar detta arbete att det är möjligt att använda datorbaserade modeller för att designa grönare betongblandningar som förlitar sig på återvunnet material, utan att behandla den underliggande fysiken som en bisak. Studien bekräftar att måttliga mängder högkvalitativ återvunnen ballast — särskilt grövre partiklar från starkare gammal betong — säkert kan ersätta en betydande andel naturballast. Samtidigt demonstrerar den ett sätt för maskininlärning att förbli förankrad i verkligt beteende genom att hedra kända begränsningar och trender. Denna typ av fysikmedvetet prediktionsverktyg kan hjälpa ingenjörer att fatta bättre och snabbare beslut om blandningsdesign, stödjande en bredare användning av återvunnen betong samtidigt som konstruktioner förblir säkra och tillförlitliga.

Citering: Mohamud, M.A., Alasiri, M.R., Özdöner, N. et al. Physics-guided machine learning framework for RCA concrete by experimental database, modelling, and statistical validation. Sci Rep 16, 7907 (2026). https://doi.org/10.1038/s41598-026-38554-z

Nyckelord: återvunnen bergkrossbetong, hållbart byggande, maskininlärning i material, datadriven blandningsdesign, prediktion av betongstyrka