Förutsägelse av betongs tryckhållfasthet med optimerad djupinlärning och stora språkmodeller

Varför detta är viktigt för säkrare och grönare byggnader

Betong bär upp våra hem, broar och tunnlar, men att testa dess styrka kräver ofta veckor innan labbresultat blir klara. Denna studie undersöker hur avancerad artificiell intelligens kan förutsäga betongens hållfasthet snabbt och noggrant enbart utifrån receptet. Snabbare och mer pålitliga förutsägelser kan hjälpa ingenjörer att utforma säkrare konstruktioner, minska slösaktig prov‑och‑fel‑metodik i laboratoriet och göra det lättare att använda låga‑koldioxid‑ingredienser som industriprocessernas biprodukter.

Från röriga laboratoriedata till rena digitala ingredienser

Forskarna utgår från en stor offentlig datamängd med betongblandningar. Varje post listar mängder av cement, slagg, flygaska, vatten, kemiska tillsatser, sand, ballast och härdningstid, tillsammans med den slutliga uppmätta hållfastheten. Verkliga data av detta slag är ofta inkonsekventa: mätvärden kan saknas, enheter skilja sig åt och märkliga avvikare kan smyga sig in. För att hantera detta använder teamet stora språkmodeller — allmänna AI‑system som vanligtvis används för text — för att hjälpa till att rensa och omstrukturera datan. Dessa modeller används för uppgifter som att kontrollera rimliga intervall, harmonisera namn och enheter, skapa meningsfulla härledda storheter som vatten‑till‑bindemedels‑kvot och hantera avvikare. Målet är att förvandla ett brusigt kalkylblad till en sammanhängande, fysikmedveten beskrivning av varje blandning som inlärningsalgoritmer kan bearbeta.

Lära ett nätverk att se både blandning och tid

Betongens hållfasthet handlar inte bara om vad som går i mixern; den handlar också om hur styrkan utvecklas under dagar och veckor medan materialet härdar. Många tidigare förutsägelseverktyg fokuserade antingen på ingredienserna eller på tidsutvecklingen, men sällan båda samtidigt. Detta arbete använder ett rumtidsligt grafkonvolutionsnätverk, en typ av modell som behandlar varje ingrediens (såsom cement, vatten, slagg eller tillsatser) som en nod i ett nätverk, med kopplingar som speglar hur starkt de interagerar. Samtidigt studerar modellen tidsaxeln för att lära sig hur dessa kombinationer ökar i hållfasthet med åldern. I praktiken lär sig modellen mönster som ”mycket cement plus lite vatten leder typiskt till snabbare, högre hållfasthet,” samtidigt som den fångar mer subtila roller för slagg, aska och kemiska medel över olika härdningsperioder.

Låta en "människolik" optimerare finjustera AI:n

Även kraftfulla neurala nätverk kan prestera dåligt om deras interna inställningar — såsom inlärningshastighet, antal lager eller filterstorlekar — väljs illa. Istället för att finjustera dessa manuellt använder författarna en ny optimeringsmetod kallad iHow Optimization Algorithm. Inspirerad av hur människor lär sig växlar den mellan bred utforskning av många möjliga konstruktioner och fokuserad förfining av de mest lovande, samtidigt som den behåller en form av intern minne av vad som fungerat hittills. Denna optimerare söker igenom rymden av nätverksdesigner och träningsinställningar för det grafbaserade modell, i syfte att minimera förutsägelsefel samtidigt som överanpassning undviks. Samma familj av optimeringsidéer används också för urval av funktioner, där ingångslistan beskärs till de mest informativa storheterna och modellen hålls kompakt och tolkbar.

Hur väl fungerar det jämfört med andra AI‑verktyg?

Teamet gör omfattande jämförelser mot ett brett spektrum av alternativ: standard djupa nätverk, visionsliknande transformermodeller, variationala autoenkodare, fysikinformerade nätverk och flera olika metaheuristiska optimerare såsom partikelsvärmning och genetiska algoritmer. De testar också fyra olika förbehandlingspipelines drivna av olika språkmodeller, och visar att bättre rensning och funktionkonstruktion märkbart förbättrar noggrannheten längre fram i kedjan. I samtliga tester ger kombinationen av iHow‑optimering och det rumtidsliga grafnätverket de lägsta förutsägelsefelen och högst överensstämmelse med uppmätta hållfastheter. Statistiska kontroller, inklusive variansanalys och icke‑parametriska rangtester, bekräftar att dessa förbättringar sannolikt inte beror på slumpen.

Vad detta betyder för framtida byggpraxis

Enkelt uttryckt visar studien att en noggrant finjusterad, grafbaserad AI‑modell, matad med välrensade data, kan förutsäga betongens hållfasthet mycket mer tillförlitligt än tidigare tillvägagångssätt. Den fångar hur ingredienser och härdningstid samverkar, och använder en ”lära‑att‑lära”‑optimerare för att finslipa sig själv. Författarna betonar att metoden fortfarande behöver testas på mer mångsidiga, verkliga datamängder innan den kan införlivas i byggnormer eller anläggningsstyrsystem, men den pekar redan mot en framtid där ingenjörer kan utforska grönare blandningsrecept i datorn med förtroende för att de förutsagda hållfastheterna i hög grad kommer att stämma överens med vad som senare observeras i labb eller på byggplatsen.

Citering: Zaman, S., Eid, M.M., Mattar, E.A. et al. Predicting concrete compressive strength using optimized deep learning and large language models. Sci Rep 16, 11076 (2026). https://doi.org/10.1038/s41598-026-41072-7

Nyckelord: förutsägelse av betongens hållfasthet, djupinlärning inom byggbranschen, grafneuronätverk, optimeringsalgoritmer, hållbara betongmaterial