Utvärdering av termiskt inducerad hållfasthetsförlust i alkaliaktivt betong med hjälp av ensemble-regressionsmodeller

Varför het betong spelar roll

När en byggnad drabbas av en allvarlig brand kan betongens hållfasthet avgöra om konstruktionen står kvar eller kollapsar. Ingenjörer vänder sig nu till en grönare betongtyp, kallad alkaliaktivt betong, som återanvänder industriellt avfall och ofta klarar värme bättre än traditionell cement. Men att testa varje tänkbar blandning i en ugn är långsamt och dyrt. Denna studie visar hur moderna datadrivna verktyg kan lära sig från tidigare experiment och snabbt förutsäga hur stark denna grönare betong förblir efter exponering för extrema temperaturer.

En grönare typ av betong

Alkaliaktivt betong ersätter en stor del av den vanliga cementen med industriella biprodukter som flygaska från kraftverk, masugnsslagg från stålframställning och till och med fint malet avfallsglas. Denna ersättning minskar koldioxidutsläpp och ger dessa avfallsprodukter ett andra liv. Tack vare en annorlunda intern gel-lik bindstruktur håller denna betong ofta upp bättre vid upphettning. Dess beteende i brand är dock mycket känsligt för detaljer: fördelningen av pulver, de kemikalier som används för att aktivera dem, hur länge och vid vilken temperatur blandningen härdas, och den maximala temperatur den senare utsätts för. Denna komplexitet gör det svårt att förutsäga, endast från första principer, hur mycket hållfasthet som återstår efter en brand.

Låta data lära sig mönstren

Forskarna sammanställde en detaljerad datamängd med 371 betongkub­er gjorda av flygaska och slagg, ibland delvis ersatta av glaspulver från avfall. Varje kubs recept registrerades, tillsammans med hur den härdades och temperaturen — mellan vanliga rumsvillkor och 1000 °C — som den senare upphettades till före provning. Istället för att förlita sig på enkla ekvationer använde teamet fem övervakade maskininlärningsmetoder. Dessa algoritmer söker efter samband mellan indata (blandningsproportioner, härdningstemperatur och tid samt upphettningsnivå) och utdata: den kvarvarande tryckhållfastheten i betongen.

Vilken digital “väderprognos” fungerar bäst

Studien jämförde ett grundläggande beslutsträd med mer avancerade ”ensemble”-metoder som kombinerar många enkla modeller för att få en mer pålitlig förutsägelse. Dessa inkluderade bagging, AdaBoost, random forest och en teknik kallad Extreme Gradient Boosting. Författarna använde noggrann korsvalidering, där modellerna tränades på vissa blandningsdesigner och testades på helt andra för att efterlikna verklig användning. Bland alla kandidater presterade gradient boosting bäst. Den reproducerade testresultaten med mycket hög överensstämmelse och lägst genomsnittligt fel, tätt följd av random forest. I kontrast kunde en enkel linjär metod inte fånga det kurviga, icke-linjära sätt som hållfastheten förändras med sammansättning och temperatur.

Upptäcka vad som verkligen spelar roll i blandningen

Utöver ren noggrannhet ville forskarna veta vilka ingredienser och processsteg som verkligen styr prestandan vid upphettning. De undersökte korrelationer och använde tolkningsverktyg som visar hur mycket varje indata påverkar modellens förutsägelser. Härdningstemperatur, härdningstid och koncentrationen av den alkaliska aktivatorn framträdde som de dominerande faktorerna som kontrollerar hur mycket hållfasthet betongen behåller efter upphettning. Variabler som mängden grovt ballastmaterial eller små förändringar i vatteninnehållet spelade en mindre roll. Analysen speglade också kända fysikaliska processer: måttlig härdning hjälper till att bilda ett tätt bindemedelsnät, men överdriven värme eller hög alkaliinnehåll kan göra det hårdnade materialet mer sprött och benäget att spricka när temperaturen senare närmar sig 1000 °C.

Från provlabb till konstruktionsverktyg

Enkelt uttryckt omvandlar detta arbete en spridd uppsättning ugnstester till ett praktiskt designstöd. Ensemblemodellerna fungerar som snabba, tränade rådgivare som kan uppskatta hur ett föreslaget recept för grön betong kommer att bete sig i en allvarlig brand, utan att gjuta och värma hundratals nya prov. Genom att peka ut vilka variabler som är viktigast vägleder de också ingenjörer mot smartare val kring härdning och kemisk dosering. Metoden ersätter inte noggranna tester eller byggnormer, och den behöver fortfarande breddas till andra material och förhållanden. Men den erbjuder ett kraftfullt steg mot att utforma säkrare, mer brandresistenta och mer hållbara betongkonstruktioner med betydligt färre försök-och-fel-experiment.

Citering: Deepti, Y., Kumar, S., Bandyopadhyay, A. et al. Assessment of thermally induced strength loss in alkali-activated concrete through ensemble regression models. Sci Rep 16, 14475 (2026). https://doi.org/10.1038/s41598-026-44193-1

Nyckelord: alkaliaktivt betong, brandbeständiga material, maskininlärning, tryckhållfasthet, hållbart byggande