AI-drivet hållbarhetsstyrkeförutsägelse och experimentell utvärdering av högpresterande fiberarmerad betong med metakaolin

Starkare, grönare betong för morgondagens städer

Betong är ryggraden i moderna städer, men tillverkningen använder stora mängder cement, en betydande källa till koldioxidutsläpp, och materialet kan spricka och försämras över tid. Denna studie undersöker hur man kan skapa tåligare, längre livslängd betong samtidigt som man minskar dess miljöpåverkan. Författarna kombinerar avancerade fibrer, ett renare cementersättningsmaterial kallat metakaolin, och artificiell intelligens för att utforma blandningar som både är starka och hållbara — med potential att förändra hur broar, torn och vägar byggs i framtiden.

Varför dagens betong behöver uppgraderas

Vanlig betong är utmärkt för att bära last men är spröd och svag i drag, vilket gör den benägen att spricka. När sprickor uppstår kan vatten och luft nå in till armeringsstålet, vilket orsakar korrosion och långsam strukturell nedbrytning. Högpresterande betong kan bära större laster, men är ofta ännu mer spröd. För att tackla detta har ingenjörer vänt sig till två huvudidéer: att ersätta en del av cementen med finmalda minerala material, och att tillsätta korta fibrer som fungerar som små armeringsstänger i blandningen. Denna studie fokuserar på metakaolin — en mycket reaktiv, bränd lera — som delvis cementersättning, i kombination med stål-, glas-, nylon- och polypropylenfibrer för att motverka sprickbildning och förbättra prestandan.

Att bygga en bättre blandning med fibrer och metakaolin

Forskargruppen utformade en högpresterande betongblandning (känd som M60) där 10% av cementet ersattes med metakaolin. De skapade därefter flera varianter av denna betong genom att tillsätta olika typer och mängder fibrer, inklusive stål, glas, nylon och polypropylen. Varje blandning testades noggrant för hur lätt den flöt i färskt tillstånd och hur stark den blev i tryck, drag och böj efter härdning vid 7, 28, 56 och 90 dagar.

Att lära en AI att förutsäga betongens styrka

Fysisk provning av varje möjlig blandning är långsam, kostsam och slösaktig. För att undvika ändlös trial-and-error i labbet byggde författarna en djupinlärningsmodell för att förutsäga hur stark en given fiberarmerad betong blir, baserat endast på dess ingredienser och härdningstid. Deras modell, kallad A-PDDLSTM-SA, kombinerar flera avancerade idéer från artificiell intelligens: minnesenheter som kan följa hur styrka utvecklas över tid, flerskalsfilter som fångar både fina och breda mönster i data, och en attention-mekanism som fokuserar på de viktigaste indata, som fibrertyp, dosering och härdningstid. De finjusterade vidare modellens interna inställningar med en ny optimeringsstrategi inspirerad av vandrare som utforskar ett landskap, för att säkerställa att algoritmen inte fastnar i dåliga lösningar.

Vad testerna och förutsägelserna visar

Experimentellt visade sig den bäst presterande blandningen använda 10% metakaolin och 1% stålfiber, vilket gav högre tryck-, drag- och böjhållfasthet än kontrollbetongen utan fibrer. Glas-, nylon- och polypropylenfibrer förbättrade också beteendet på olika sätt — ökade slagmotståndet, minskade krympsprickor och förbättrade seghet efter sprickbildning — om än inte alltid lika dramatiskt som stål. AI-modellen tränades sedan på de experimentella uppgifterna och jämfördes med flera etablerade maskininlärningsmetoder. Den förutsade konsekvent tryck-, drag- och böjhållfasthet mer exakt än konkurrerande tekniker, med låga felnivåer och god stabilitet även när den tränades på begränsade datamängder.

Från laboratorieinsikt till verklig påverkan

För icke-specialister är huvudbudskapet att det nu är möjligt att konstruera smartare betongblandningar som samtidigt är starkare, mer hållbara och mer miljövänliga — och att göra det till stor del på datorn innan man gjuter en enda sats. Genom att kombinera metakaolin med noggrant utvalda fibrer kan ingenjörer minska cementförbrukningen och förbättra motståndet mot sprickbildning. AI-modellen som utvecklats i denna studie fungerar som ett kraftfullt planeringsverktyg: den kan föreslå lovande blandningsdesigner, minska slösaktig fysisk provning och påskynda införandet av grönare, högpresterande betonger i verkliga projekt. På längre sikt kan detta tillvägagångssätt bidra till säkrare infrastruktur med en mindre miljömässig påverkan.

Citering: N.S, N.P., P, K. & P, S. AI-driven sustainable strength prediction and experimental evaluation of high-performance fiber-reinforced concrete incorporating metakaolin. Sci Rep 16, 13614 (2026). https://doi.org/10.1038/s41598-026-41115-z

Nyckelord: fiberarmerad betong, metakaolin, djupinlärning, hållbart byggande, styrkeförutsägelse