Hybrid generativt–ensemble­tillvägagångssätt för att förutsäga hållfasthetsegenskaper hos betong med återvunnet ballastmaterial

Varför denna forskning är viktig för vår byggda miljö

Betong finns överallt i det moderna livet, men tillverkningen förbrukar stora mängder sand, sten och cement och släpper ut koldioxid. Ett lovande sätt att minska denna påverkan är att återanvända krossad betong från gamla konstruktioner som nytt byggmaterial. Problemet är att betong som innehåller återvunna delar inte alltid beter sig som betong gjord på jungfruliga material. Denna studie visar hur moderna dataverktyg kan hjälpa ingenjörer att förutsäga hållfastheten hos sådana mer hållbara betongblandningar innan man häller ett enda provstycke.

Förvandla rivningsmaterial till en resurs

Bygg- och rivningsarbetsplatser genererar stora mängder betongavfall varje år. Istället för att skicka detta skräp till deponier kan det krossas och återanvändas som ballast, det grusliknande skelettet i ny betong. Att ersätta naturlig sand och sten med återvunnet material hjälper till att spara knappa naturresurser och minskar byggprojekts totala miljöavtryck. Återvunna partiklar bär dock ofta kvar gammal cement på ytorna, har fler porer och bildar svagare kontaktzoner i den nya blandningen. Dessa egenskaper kan minska hur stor last betongen säkert kan bära, vilket gör att konstruktörer är försiktiga med att använda höga andelar återvunnet material.

Lära av tidigare blandningar

För att ta itu med denna utmaning samlade forskarna data från 112 olika betongrecept som använde både naturlig och återvunnen ballast. För varje blandning registrerade de mängden vatten, cement, sand, grus och återvunnet material, tillsammans med fyra nyckelresultat: tryckhållfasthet, delningsdraghållfasthet, böjhållfasthet och styvhet. Eftersom 112 exempel är relativt få för att träna kraftfulla datamodeller använde teamet först ett generativt verktyg, en konditionell variational autoencoder, för att skapa tusentals ytterligare syntetiska blandningar som efterliknar mönstren i de verkliga. Detta steg hjälpte modellerna att se ett större urval av realistiska kombinationer samtidigt som de kontrollerades mot verkliga testresultat.

Testa en verktygslåda av datamodeller

Teamet jämförde sedan sju olika maskininlärningsmetoder för att förutsäga var och en av de fyra hållfasthetsegenskaperna utifrån blandningsingredienserna. Några var enkla linjära modeller, som antar linjära samband, medan andra var mer flexibla träd-baserade metoder och supportvektormaskiner som kan fånga komplexa mönster i data. De tränade och validerade dessa modeller med noggrann korsvalidering så att varje bedömningsprediktion gjordes på data modellen inte sett tidigare, och de reserverade en separat dold testmängd av verkliga blandningar för slutgiltig utvärdering. Gradient boosting och supportvektorregression utmärkte sig tydligt och gav mycket noggranna och stabila förutsägelser för samtliga fyra egenskaper, och överträffade både enkla linjära anpassningar och standardekvationer från byggforskningskoder, särskilt vid hög andel återvunnet innehåll.

En titt in i den svarta lådan

Kraftfulla datamodeller är bara användbara för ingenjörer om de kan litas på och förstås. För att öppna den svarta lådan använde författarna en teknik kallad feature attribution, som mäter hur mycket varje ingrediens i blandningen drar en förutsägelse uppåt eller nedåt. De fann att bindemedelssidan i receptet, det vill säga vatten‑till‑cement‑kvoten och mängden cement, är den viktigaste drivaren för hållfasthet i tryck, drag och böjning. Styvheten styrs däremot mest av ballastens egenskaper, där återvunnet fint material spelar en särskilt stark roll. Högre andel återvunnet fint material tenderar att göra betongen mer flexibel eftersom dessa korn är mindre styva och bär gammal, svagare bruk. Dessa mönster överensstämmer med långvariga laboratorieobservationer, vilket ger förtroende för att modellen lär sig verkligt fysikaliskt beteende snarare än brus.

Från smarta förutsägelser till smartare design

Enkelt uttryckt visar detta arbete att datadrivna verktyg kan hjälpa ingenjörer att snabbt sålla fram grönare betongblandningar som innehåller återvunnet rivningsmaterial samtidigt som säkerhets- och prestandakrav uppfylls. Studien visar att vissa moderna algoritmer kan förutsäga hur stark och styv en föreslagen blandning blir med hög noggrannhet, och kan lyfta fram vilka förändringar i vatten-, cement- eller ballastinnehåll som spelar störst roll. Medan de nuvarande resultaten är begränsade till det blandningsintervall som finns i underliggande studier kan samma arbetsflöde utvidgas när mer data blir tillgängliga. Detta banar väg för praktiska designhjälpmedel som styr byggare mot mer hållbara betongval utan att kompromissa med strukturell tillförlitlighet.

Citering: Awoyera, P.O., Simwanda, L., Vasić, M.V. et al. Hybrid generative–ensemble approach for predicting recycled aggregate concrete strength properties. Sci Rep 16, 15205 (2026). https://doi.org/10.1038/s41598-026-42598-6

Nyckelord: återvunnen betong, maskininlärning, materialstyrka, hållbart byggande, datadriven design