Modellering av mekaniska egenskaper hos gummiförstärkt betong med gene expression programming (GEP) och random forest: en jämförande studie

Förvandla gamla däck till starkare, grönare byggnader

Varje år når miljarder däck slutet av sin livslängd och hamnar ofta på soptippar eller i illegala upplag, där de kan orsaka bränder och föroreningar. Samtidigt konsumerar byggbranschen stora mängder sand, grus och energi och bidrar kraftigt till klimatförändringar. Denna studie undersöker ett sätt att angripa båda problemen samtidigt: att mala upp uttjänta däck och använda gummit i betong, och därefter använda avancerade dataverktyg för att förutsäga hur stark denna nya "gummiförstärkta" betong blir utan behov av ändlösa laboratorietester.

Varför blanda gummi i betong?

Betong är ryggraden i modern infrastruktur, men tillverkningen av dess ingredienser, särskilt cement och naturaggregat, är energikrävande och tömmer naturresurser. Genom att ersätta en del av sanden och gruset med bitar av uttjänta däck kan ingenjörer minska behovet av jungfruliga material och hålla kasserade däck borta från deponier. Gummipartiklar kan också ge betongen användbara egenskaper: de kan absorbera stötar, dämpa ljud och förbättra motstånd mot nötning och temperaturförändringar. Att tillsätta gummi försvagar dock vanligtvis betongens förmåga att motstå sprickbildning och dragbelastning. Att mäta exakt hur mycket styrka som förloras eller vinns vid varje receptändring kräver traditionellt många tidskrävande och kostsamma experiment.

Låt datorer lära av tidigare experiment

För att slippa testa varje möjlig blandning för hand vände sig forskarna till maskininlärning—datormetoder som hittar mönster i data. De samlade 112 uppsättningar experimentella resultat från studier runt om i världen, alla rörande gummiförstärkt betong. Varje datapunkt beskrev ett unikt recept, inklusive mängder av grova och fina ballast, chippat och smulat gummi, kemiska tillsatser kallade superplasticizer, vatten–cement-tal och betongens ålder. För varje recept registrerades två viktiga egenskaper: böjhållfasthet (hur väl en balk motstår böjning) och delningsdraghållfasthet (hur väl den motstår att dras isär). Med denna sammansatta databas tränade teamet två olika maskininlärningsmodeller sida vid sida för att se vilken som bäst kunde förutsäga dessa hållfastheter.

Två olika sätt för en dator att "tänka"

Den första metoden, gene expression programming, fungerar lite som evolution i naturen. Den börjar med många slumpmässiga matematiska formler och förbättrar dem gradvis genom att efterlikna mutation och rekombination, vilket slutligen ger människoläsbara ekvationer som kopplar receptingrediens till hållfasthet. Den andra metoden, random forest, bygger upp en stor samling beslutsträd—enkla regelbaserade modeller—och låter dem "rösta" om den förväntade hållfastheten. Medan random forest beter sig mer som en svart låda är den ofta mycket exakt. Båda modellerna ställdes in noggrant och utvärderades med standardstatistik som jämför förutsagda hållfastheter med värdena mätta i laboratoriet för blandningar modellerna aldrig tidigare sett.

Vad modellerna lärde sig om gummibetong

Båda angreppssätten fångade det övergripande beteendet hos gummiförstärkt betong, men random forest var mer träffsäker. För osedda testdata återgav den böjhållfasthet och draghållfasthet med korrelationsvärden nära perfekt överensstämmelse, tydligt bättre än gene expression programming. Felanalyser visade att de flesta prediktioner låg inom en måttlig marginal från de verkliga värdena, med endast några få avvikare. För att öppna den svarta lådan använde teamet ett verktyg kallat SHAP, som tilldelar varje ingrediens en andel ansvar för varje förutsägelse. Detta visade att traditionella ballastmaterial och vatten–cement-talet starkt påverkar böjhållfastheten, medan mängden och typen av gummi, tillsammans med superplasticizer och vatteninnehåll, spelar nyckelroller för hur väl betongen motstår dragbelastning. Generellt tenderade mer gummi och mer vatten att minska hållfastheten, medan välbalanserade ballast och tillsatser kunde återvinna en del prestanda.

Vad detta betyder för framtidens byggande

För icke-specialister är huvudbudskapet att vi realistiskt kan utforma grönare betonger som återvinner gamla däck utan att vara i blindo. Studien visar att smarta datormodeller, särskilt random forests, pålitligt kan förutsäga hur ändringar i ett recept för gummiförstärkt betong påverkar dess sprick- och böjningsegenskaper, med endast ett fåtal lätt mätta indata. Det innebär att ingenjörer kan minska dyra test-och-misstag-försök, snabba upp införandet av avfallsbaserade material och mer säkert ange blandningar som balanserar miljöfördelar med säkerhet och hållbarhet. På lång sikt kan sådana verktyg hjälpa till att förvandla berg av kasserade däck till säkra broar, vägbanor och byggnader, vilket minskar både avfallsbergen och byggsektorns koldioxidavtryck.

Citering: Sheraz, M., Talha, M., Alam, M. et al. Modeling mechanical properties of rubberized concrete using gene expression programming (GEP) and random forest: a comparative study. Sci Rep 16, 8714 (2026). https://doi.org/10.1038/s41598-026-40897-6

Nyckelord: gummiförstärkt betong, återvinning av uttjänta däck, maskininlärning i byggbranschen, random forest-modellering, hållbara material