En hybrid maskininlärningsmetod för att förutsäga böjhållfastheten hos betong armerad med avfallsaluminiumfibrer

Göra skräpaluminium till tåligare betong

Varje år genererar fabriker och hushåll stora mängder aluminiumskrot från burkar, kablar och svarvspill. Mycket av detta avfall är svårt att hantera på ett säkert sätt, samtidigt som aluminium är lätt, starkt och hållbart. Denna studie undersöker en enkel fråga med stora konsekvenser: kan vi omvandla det besvärliga skrotet till små fibrer som gör betongen både grönare och bättre på att motstå böjning och sprickbildning, samtidigt som vi använder smarta datorbaserade modeller för att förutsäga hur starkt det nya materialet blir?

Varför böjhållfasthet är viktig

Betong är utmärkt på att bära tunga laster vid tryck, men den är betydligt svagare vid böjning. Vägar, golv, brobanor och startbanor brukar ofta bryta först genom böjning och sprickbildning snarare än genom ren krossning. Att tillsätta fibrer är ett sätt att hjälpa betongen att töjas och hålla ihop när sprickor börjar uppstå. Forskarna i detta arbete fokuserade på avfallsaluminiumfibrer som klippts från använda dryckesburkar och annat skrot. De blandade dessa fibrer i betongen i olika andelar från 1 % till 5 % av volymen och testade hur väl små balkar motstod böjning. De fann en tydlig optimal nivå: vid cirka 3 % fiberinnehåll bar balkarna den högsta böjbelastningen och visade tätare, mer kontrollerad sprickbildning; över den nivån försämrades resultatet eftersom extra fibrer klumpade sig och minskade den färska betongens bearbetbarhet.

Att bygga ett smartare sätt att förutsäga hållfasthet

Att designa betong med avfallsfibrer handlar inte bara om att gissa en fiberandel. Många ingredienser—cement, vatten, sand, grus, specialpulver, härdningstid och fiberinnehåll—samverkar på komplexa sätt. För att gå bortom försök-och-fel sammanställde teamet en datamängd med 195 testresultat från egna experiment och tidigare studier, alla med aluminiumavfallsfibrer. De tränade sedan tre olika typer av maskininlärningsmodeller för att förutsäga böjhållfastheten utifrån åtta grundläggande blandnings- och härdningsvariabler: en Random Forest (många beslutsträd som medelvärdesbildas), en Extreme Gradient Boosting-modell och ett artificiellt neuralt nätverk inspirerat av hur hjärnceller kopplar ihop sig. Varje modell fångar olika mönster i data.

Att kombinera modeller och öppna den svarta lådan

I stället för att välja en enda "bästa" modell stackade forskarna dem. I denna hybrida metod gör varje modell sin egen förutsägelse, och ett slutligt kombineringslager lär sig hur de ska viktas för att ge mest exakt resultat. Detta staplade system förutsade böjhållfasthet med mycket hög noggrannhet: det förklarade mer än 99 % av variationen i träningsdata och cirka 96 % i nya, osedda tester. För att försäkra sig om att systemet inte bara var en mystisk svart låda använde de ett förklaringsverktyg kallat SHAP. Denna metod tilldelar varje ingång—såsom härdningstid eller grusmängd—ett ansvar för den förutsagda styrkan. Analysen visade att härdningstid och ballastinnehåll var särskilt viktiga, medan andelen aluminiumfibrer, även om den var fördelaktig, spelade en mindre total roll än betongens fasta skelett av sand och grus som bär lasterna.

Vad som betyder mest i blandningen

När man fördjupade sig i förklaringsresultaten fann studien att längre härdningstider konsekvent ökade böjhållfastheten, vilket bekräftar värdet av långsam, fuktig härdning i praktiska projekt. Grov och finsand tillsammans framträdde som nyckelspelare: deras mängder och storleksbalans styr hur sprickor initieras och sprids vid böjning. Vatten och cement hade en mer nyanserad effekt—för mycket vatten försvagar bindningen mellan pasta och sten medan för mycket cement kan göra materialet sprött. Avfallsaluminiumfibrer hjälpte genom att binda ihop sprickor och förbättra betongens förmåga att ta upp drag, men bara upp till cirka 3 % i volym; över det blev blandningen svårare att bearbeta och mindre jämn, vilket uppvägde fördelarna med extra armering. Modellens vägledning översattes till praktiska rekommendationer för intervall av ballast, cement, vatten och fiberinnehåll som ingenjörer kan sikta på vid utformning av blandningar.

Från laboratorieinsikt till grönare konstruktioner

För en allmän läsare är huvudbudskapet enkelt: det är möjligt att omvandla kasserad aluminium till en användbar ingrediens som hjälper betongen att motstå böjning, samtidigt som avfall leds bort från deponier och behovet av nya stålfibrer minskar. Genom att kombinera noggranna experiment med ett transparent, multimodellsinlärningssystem skapade forskarna en slags "kalkylator" som kan förutsäga hur stark en given avfallsfiberbetongblandning blir och förklara varför. Deras resultat tyder på att en väl utformad blandning med cirka 3 % avfallsaluminiumfibrer kan förbättra böjhållfastheten, sänka materialkostnader och minska miljöpåverkan. Om metoden skalas upp och förfinas med fler data kan detta hjälpa ingenjörer att tryggt använda industriskrot i vardaglig infrastruktur och göra broar, beläggningar och golv både stadigare och mer hållbara.

Citering: Boursas, F., Boufarh, R., Altowaijri, Y. et al. A hybrid machine learning approach for predicting the flexural strength of concrete reinforced with waste aluminium fibres. Sci Rep 16, 10763 (2026). https://doi.org/10.1038/s41598-026-41961-x

Nyckelord: avfallsaluminiumfibrer, böjhållfasthet, hållbar betong, maskininlärningsmodeller, återvunna byggmaterial