Att förvandla jordbruksavfall till starkare, grönare betong
Betong bär upp våra byggnader, broar och vägar, men tillverkningen av cementen i betongen släpper ut stora mängder koldioxid. Samtidigt producerar palmoljeindustrier enorma mängder aska som ofta kasseras. Denna studie undersöker hur den askan kan bli en användbar ingrediens i betong, och hur intelligenta datorprogram pålitligt kan förutse hur stark sådan ”grön” betong blir innan någon blandning hälls ut.
Varför palmoljeflisa är viktig
Palmoljeflisa är en dammig restprodukt som blir kvar när palmavfall bränns för energi. I länder med stor palmoljeproduktion samlas den i stora mängder och kan skapa avfalls- och föroreningsproblem. Ändå innehåller askan reagerande partiklar som till viss del kan ersätta cement i betong. Att använda den gynnar två syften på en gång: det minskar behovet av energikrävande cement och återvinner ett jordbruksavfall. Tidigare experiment har visat att, om den bearbetas och används på ett kontrollerat sätt, kan palmoljeflisa ge betong som är stark och hållbar. Utmaningen är att hållfastheten beror på många samverkande ingredienser och härdningsförhållanden, så konstruktörer behöver ett snabbt och pålitligt sätt att uppskatta prestanda utan att köra ändlösa tester.
Låta en smart modell lära av hundratals blandningar Figure 1.
Forskarna samlade data från 22 publicerade studier och landade i 469 olika betongblandningar som alla använde palmoljeflisa. För varje blandning registrerade de sex nyckelingredienser och förhållanden: hur mycket cement och aska som användes, mängden kemiskt tillsatsmedel (superplastifierare), balansen mellan grova och fina fyllmedel, vatten-till-bindemedelskvoten och hur länge betongen härdades innan mätning. De vände sig sedan till artificiell intelligens och byggde en datoriserad modell inspirerad av hur nervceller kopplar i hjärnan, ett artificiellt neuralt nätverk. Denna typ av modell lär via exempel: den ser många kombinationer av indata och de resulterande hållfastheterna och justerar gradvis sina interna kopplingar för att efterlikna dessa utfall.
Förstärka nätverket med en evolutioninspirerad sökning
Ett neuralt nätverk kan vara svårt att stämma av på egen hand. Om dess interna inställningar är dåligt valda kan det fastna i medioker prestanda. För att övervinna detta parade teamet det neurala nätverket med en andra algoritm som efterliknar hur arter sprids och anpassar sig över öar, kallad biogeography-based optimization. I detta upplägg representerar varje ”ö” en annan uppsättning nätverksinställningar. Egenskaper från framgångsrika öar migrerar till svagare, medan tillfälliga slumpändringar förhindrar att sökningen fastnar. Över många cykler förfinar denna hybrida metod nätverket så att det bättre kan matcha de uppmätta betonghållfastheterna.
Hur väl den hybrida modellen presterar Figure 2.
För att pröva om deras hybrida modell verkligen höll vad den lovade delade författarna upp de 469 blandningarna i separata grupper för träning, finjustering och oberoende testning, och använde även korsvalideringsmetoder som upprepade gånger omfördelar data. De jämförde den hybrida nätverket mot ett standardneuralt nätverk och mot tidigare modeller i litteraturen. Den hybrida versionen förutsade konsekvent tryckhållfastheten mer noggrant: över 60 % av dess prediktioner låg inom 5 % av de uppmätta värdena, jämfört med cirka 39 % för den konventionella modellen. Dess totala fel var mindre och dess förutsägelser var stabilare när data omsamplades på olika sätt. Analys av det tränade nätverket visade också vilka faktorer som betydde mest, där härdningstid och vatten-till-bindemedelskvot framträdde som de starkaste drivkrafterna för hållfasthet.
Vad detta betyder för grönare byggande
För ingenjörer och planerare erbjuder studien ett praktiskt verktyg: givet en kandidatblandning som innehåller palmoljeflisa kan den hybrida modellen snabbt uppskatta hur stark den resulterande betongen sannolikt blir, inom det intervall av blandningar den sett. Det kan spara tid, minska kostsamma försöksserier och uppmuntra bredare användning av avfallsbaserade material som sänker cementanvändning och utsläpp. Även om modellen fortfarande begränsas av luckor och skillnader i de underliggande experimentella studierna visar den att kombinationen av data-drivet lärande och evolutioninspirerad sökning kan hjälpa till att hantera komplexiteten i moderna hållbara betonger och föra grönare byggande ett steg närmare vardagspraktik.
Citering: Kazemi, R., Pour, M.A. & Gandomi, A.H. Hybrid machine learning approach for predicting compressive strength of sustainable concrete incorporating palm oil fuel ash.
Sci Rep16, 14033 (2026). https://doi.org/10.1038/s41598-026-46190-w
