Förutsägelse av obundet tryckhållfasthet hos geopolymerstabiliserade leror med hjälp av en sektorsbaserad fruktfluga–extremt inlärningsmaskin

Starkare mark med lägre miljökostnad

Över hela världen behöver ingenjörer omvandla mjuka, lera­rika jordar till fasta underlag för vägar, byggnader och vallar. Traditionellt har detta inneburit stora mängder portlandcement, en betydande källa till koldioxidutsläpp. Denna studie undersöker en renare väg: att använda industriella restprodukter kallade geopolymrar för att förstärka lera, och att tillämpa en smart form av artificiell intelligens för att förutsäga hur stark den behandlade jorden blir utan att behöva genomföra oändliga laboratorietester.

Att förvandla industriavfall till användbara bindemedel

Geopolymrar är bindemedel som framställs genom att aktivera aluminosilikatrika pulver—såsom mald masugnsslagg (GGBS) och flygaska—med alkaliska lösningar. När de blandas med lera bildar de styva, stenliknande nätverk som kan ge hög hållfasthet, liten krympning och god hållbarhet, samtidigt som de släpper ut betydligt mindre CO₂ än konventionellt cement. Tidigare experiment har visat att geopolymerstabiliserade leror kan uppnå hållfastheter från nästan noll upp till mer än 40 megapascal, beroende på blandningen. Men resultatet påverkas känsligt av många faktorer samtidigt: lerans naturliga plasticitet, hur mycket slagg eller aska som tillsätts, den alkaliska lösningens styrka och förhållandet mellan viktiga element som natrium, kisel och aluminium.

Varför det är så svårt att förutsäga jordstyrka

För att utforma en praktisk blandning vill ingenjörer veta på förhand hur stark ett visst recept blir. Att köra fullständiga laboratorieprogram för varje kandidatblandning är tidskrävande och dyrt. Traditionella statistiska formler räcker inte heller eftersom sambanden mellan jordtyp, geopolymerkomposition och slutlig hållfasthet är starkt icke‑linjära. Moderna maskininlärningsverktyg—såsom neurala nätverk och supportvektormaskiner—har förbättrat förutsägelserna, men de kan kräva omfattande justering, överanpassa små datamängder och beter sig ofta som ogenomskinliga ”svarta lådor” som inte tydligt visar vilka faktorer som spelar störst roll.

En smartare inlärningsmaskin styrd av en digital svärm

Forskarlaget samlade 270 testresultat från tidigare studier om geopolymerstabiliserade leror, som täcker olika jordtyper, bindemedelsblandningar, alkalikoncentrationer och härdningsförhållanden. De tränade sedan tre närbesläktade prediktionsmodeller. Kärnmotorn, kallad en extrem inlärningsmaskin, är ett snabbt neuralt nätverk som bestämmer större delen av sina interna inställningar i ett analytiskt steg istället för genom långsam trial‑and‑error‑träning. För att förfina dessa interna inställningar kopplade teamet nätverket till en ”fruktflugeoptimering” som imiterar hur fruktflugor söker föda. I deras förbättrade version, sektorsfruktflugeoptimering, vandrar inte den virtuella svärmen slumpmässigt; i stället utforskar den sökrymden i jämnt fördelade sektorer, vilket förbättrar stabiliteten och hjälper algoritmen att snabbare hitta en bra lösning.

Bättre förutsägelser och klarare insikt i vad som spelar roll

När modellen testades på ej sedda data förutsade den grundläggande inlärningsmaskinen redan obundet tryckhållfasthet—hur mycket tryck den behandlade leran tål—ganska väl. Att lägga till den ursprungliga svärmsökningen förbättrade noggrannheten ytterligare. Sektorsbaserade svärmen presterade bäst av alla och minskade förutsägelsefelet med ungefär 42 procent jämfört med basmodellen och med 19 procent jämfört med den tidigare fruktflugevarianten, samtidigt som beräkningarna förblev tillräckligt lätta för en vanlig laptop. De flesta förutsagda hållfastheterna låg nära de uppmätta värdena, och felmönstren antydde att modellen generaliserade väl snarare än att bara memorera träningsdata.

Att översätta komplexa modeller till praktiska jordrecept

För att öppna ”svarta lådan” använde forskarna en teknik kallad SHAP‑analys, som tilldelar varje indata ett bidrag till den slutliga förutsägelsen. Detta visade att slagginnehållet (GGBS) var den enskilt mest inflytelserika faktorn för att öka hållfastheten, medan lerans plasticitet och flytgräns också spelade stora roller. Vissa blandningsparametrar—som överdriven mängd flygaska eller mycket hög plasticitet—tenderade att minska hållfastheten, medan lämplig alkalikoncentration och natrium‑till‑aluminium‑balans gav mer måttliga positiva effekter. Dessa insikter, kombinerat med de exakta förutsägelserna, gör den sektorsfruktflugeförstärkta inlärningsmaskinen till ett lovande verktyg för att vägleda design av geopolymerblandningar och hjälpa ingenjörer välja recept som ger stark, stabil mark med färre tester och mindre miljöavtryck.

Citering: Abdellatief, M., mortagi, M. Predicting unconfined compressive strength of geopolymer-stabilized clays using a sector fruit fly–based extreme learning machine. Sci Rep 16, 12723 (2026). https://doi.org/10.1038/s41598-026-47208-z

Nyckelord: geopolymerstabiliserad lera, förutsägelse av jordstyrka, maskininlärning i geoteknik, hållbar markförbättring, extrem inlärningsmaskin