Mekanisk egenskapsanalys av geopolymersystembetong baserat på sockerbagassaska med maskininlärning

Att förvandla lantbruksavfall till starkare, renare betong

Betong är ryggraden i moderna städer, men tillverkningen av vanlig cement släpper ut stora mängder koldioxid. Denna studie undersöker ett sätt att minska den föroreningen genom att omvandla ett jordbruksavfall—aska från sockerbearbetning—till en nyckelingrediens i en ny typ av betong. Den visar också hur moderna dataverktyg, inklusive maskininlärning, kan hjälpa ingenjörer att snabbt förutsäga hur stark denna grönare betong kommer att bli.

Varför en ny typ av betong spelar roll

Traditionell betong är beroende av Portlandcement, vars tillverkning är energiintensiv och ansvarig för en betydande andel av de globala CO₂-utsläppen. Under de senaste åren har ”geopolymer”betong framträtt som ett lovande alternativ. Istället för att förlita sig på cement använder den industrins biprodukter rika på kisel och aluminium—såsom flygaska från kraftverk—aktiverade av alkaliska lösningar. Denna kemi producerar ett hårt, stenlikt bindemedel samtidigt som utsläppen potentiellt kan minska med 22–72 %, utan att offra hållfasthet eller hållbarhet. Vridningen i detta arbete är att ersätta en del av flygaskan med sockerbagassaska, ett avfall som produceras i stora mängder i sockerbruk och ofta dumpas på deponier eller frigörs som fin, förorenande damm.

Från sockerrörsfält till byggblock

Indien, en av världens största sockerrörsproducenter, genererar varje år miljoner ton sockerbagassaska. Kemiskt är denna aska rik på reaktivt kisel och andra oxider, vilket innebär att den kan bete sig mycket likt traditionella cementtillsatser om den används korrekt. Forskarnas samlade flygaska och sockerbagassaska från lokala källor, blandade dem i olika proportioner och blandade dem med standardiserat sand och grus. De tillsatte sedan natriumhydroxidlösning vid olika koncentrationer för att utlösa geopolymereaktionen, gjöt provkroppar och härdade dem. Det huvudsakliga målet var att se hur stor andel flygaska som kunde ersättas med sockerbagassaska samtidigt som man uppnådde hög tryck-, böj- och draghållfasthet—de tre nyckelmåtten för hur betong presterar under olika typer av belastning.

Att hitta den optimala balansen för styrka

Teamet testade blandningar där sockerbagassaskan ersatte 0–50 % av flygaskan och varierade styrkan hos den alkaliska lösningen. De fann att både mängden bagassaska och natriumhydroxidkoncentrationen starkt påverkade prestandan. Ett särskilt framgångsrikt recept använde 30 % sockerbagassaska och en medel-hög aktiverarkoncentration. Efter 28 dagar nådde denna blandning en tryckhållfasthet på cirka 47 megapascal, klart inom det intervall som krävs för bärande tillämpningar och högre än kontrollblandningen utan bagassaska. Liknande uppåtgående trender syntes i böj- och delningstester, även om hållfastheterna planade ut eller sjönk något vid de högsta askinnehållen. Resultaten tyder på att det finns en optimal balans: tillräckligt med bagassaska för att förbättra den interna bindningsstrukturen, men inte så mycket att porositet och ofullständig reaktion börjar försvaga materialet.

Låta algoritmer lära av betong

Att mäta betongens hållfasthet i labbet är tidskrävande och kostsamt, särskilt när många variabler—som asktyp, ersättningsnivå och kemisk koncentration—ändras samtidigt. För att snabba upp detta tränade forskarna tre typer av maskininlärningsmodeller för att förutsäga hållfasthet utifrån blandningsdesignen: ett artificiellt neuralt nätverk, en random forest och en XGBoost-modell. Medan det neurala nätverket passade träningsdata väl, hade det svårt på nya data, ett klassiskt tecken på överanpassning. XGBoost, en kraftfull boostingmetod, var nästan perfekt på träningsuppsättningen men tappade också noggrannhet på testfallen. Random forest-modellen uppnådde den bästa balansen och bibehöll hög prediktiv förmåga på osedda data för alla tre hållfasthetsmått, vilket gör den till det mest tillförlitliga valet för praktisk prognostisering.

Vad detta innebär för grönare byggande

Detta arbete visar att sockerbagassaska, som tidigare betraktats som ett avfallsproblem, kan fungera som en värdefull ingrediens i högpresterande geopolymerbetong. Vid rätt blandningsförhållande och aktiverarnivå avleder den inte bara avfall från deponier och minskar koldioxidutsläpp, utan levererar också betong som är lika stark—eller starkare—än konventionella blandningar. Att koppla dessa grönare recept med robusta maskininlärningsmodeller gör det möjligt för ingenjörer att snabbt uppskatta hållfasthet enbart utifrån blandningsdesignen, vilket potentiellt kan förkorta utvecklingscykler och sänka testkostnader. För den lekmannen är slutsatsen enkel: lantbruksrester och smarta algoritmer kan samarbeta för att bygga renare, starkare strukturer för framtidens städer.

Citering: Pratap, B., Kumar, S., Gupta, K.K. et al. Mechanical properties analysis of geopolymer concrete based on the sugarcane bagasse ash using machine learning. Sci Rep 16, 14485 (2026). https://doi.org/10.1038/s41598-026-44848-z

Nyckelord: geopolymerbetong, sockerbagassaska, hållbart byggande, maskininlärning, flygaska