Jämförande utvärdering av maskininlärnings- och djupinlärningsmetoder för prediktion av tryckhållfasthet hos geopolymert betong

En ny väg för att utforma grönare betong

Betong är ryggraden i moderna städer, men tillverkningen av traditionell cement släpper ut stora mängder koldioxid. Geopolymert betong erbjuder ett renare alternativ, men ingenjörer har fortfarande svårt att förutsäga vilken hållfasthet den får när den härdar. Denna studie visar hur moderna dataverktyg, inklusive maskininlärning och djupinlärning, kan lära sig från hundratals tidigare experiment för att förutsäga hållfastheten hos geopolymera betongblandningar och vägleda grönare byggande med färre kostsamma provserier.

Varför det är svårt att få grönare betong rätt

Geopolymert betong ersätter stora delar av vanlig cement med industriella biprodukter som flygaska, slagg, metakaolin och kiseldioxid (silica fume). Dessa pulver reagerar med alkaliska vätskor och bildar ett fast, stenliknande material som kan matcha eller överträffa hållfastheten hos standardbetong samtidigt som koldioxidutsläppen minskar med upp till cirka 70 procent. Men detta grönare recept är känsligt: hållfastheten beror på många sammanflätade faktorer, inklusive typ och mängd pulver, dosering och koncentration av alkaliska vätskor, mängden vatten och kemiska tillsatser, sand- och gruspartiklar, fibrer som tillsätts för seghet och hur länge och under vilka förhållanden materialet härdas. Eftersom alla dessa ingredienser interagerar på komplexa, icke-linjära sätt räcker inte enkla ekvationer för att förutsäga hållfastheten hos en ny blandning.

Att bygga en helhetsdatabas

För att hantera denna komplexitet samlade författarna en stor, enhetlig databas från 19 publicerade studier, som omfattar 594 olika geopolymera betongblandningar. Varje post beskriver nyckelingredienser såsom mängder av flygaska, slagg, metakaolin, kiseldioxid, sand, grus, vatten, alkaliska vätskor och superplastifierare, tillsammans med stål- och polypropenfibrer samt härdningstid i dagar. Teamet rengjorde noggrant data: de tog bort dubbletter, harmoniserade enheter och variabelnamn och behöll endast de blandningar som hade komplett information. Detta gav en mångsidig men konsekvent uppsättning som täcker ett brett spektrum av hållfastheter, från relativt svaga till mycket högpresterande betonger, vilket speglar den verkliga spridningen som finns i många laboratorier.

Låta maskiner lära av tidigare blandningar

Med denna databas i handen tränade forskarna en uppsättning prediktionsmodeller. På den klassiska sidan använde de flera maskininlärningsmetoder, inklusive beslutsträd, slumpmässiga skogar och avancerade ”boosting”-tekniker som kombinerar många små modeller till en stark slutlig prediktor. På djupinlärningssidan testade de två neurala nätverk med olika djup samt en modern tabellmodell kallad TabNet, som använder en attention-mekanism för att fokusera på de mest informativa ingredienserna. Data delades så att 80 procent av blandningarna användes för att lära modellerna, medan de återstående 20 procenten hölls undan för att testa hur väl varje metod kunde förutsäga osett data med standardmått för fel och anpassning.

Vilka modeller fungerade bäst och varför

Den tydliga vinnaren bland maskininlärningsmetoderna var en boosting-metod kallad CatBoost, som levererade mycket exakta hållfasthetsprediktioner och matchade testdata väl över hela värdeområdet. En annan boostad modell, XGBoost, kom på en nära andraplats. Bland djupinlärningsverktygen presterade TabNet bäst och rivaliserade effektivt den bästa maskininlärningsmodellen, medan ett djupare neuralt nätverk med fler lager faktiskt presterade sämre, sannolikt därför att datamängden var för blygsam i storlek för en så komplex struktur. För att göra dessa ”black box”-prediktioner mer transparenta använde författarna ett förklaringsverktyg kallat SHAP, som tilldelar en betydelsescore till varje indata. Dessa analyser visade att slagghalt och härdningstid konsekvent dominerar hållfasthetsprediktionen, följt av andra bindemedelsingredienser, alkaliska doser och ballastmängder, medan stål- och plastfibrer spelar endast en sekundär roll för tryckhållfasthet, även om de kan påverka sprickbildning och seghet starkt.

Vad detta betyder för framtidens byggande

Enkelt uttryckt visar detta arbete att datorer kan lära av hundratals tidigare geopolymerbetongrecept för att ge snabba och tillförlitliga uppskattningar av hur stark en ny, miljövänlig blandning kommer att bli. Istället för att gjuta och krossa ett stort antal provcylindrar kan ingenjörer använda dessa modeller för att begränsa lovande kombinationer av bindemedelspulver, aktivatorvätskor och härdningstider innan de går till labbet. Studien belyser också vilka ingredienser som betyder mest och ger praktisk vägledning: att få slagghalt, aktivatornivåer och härdningsförhållanden rätt är mycket viktigare för tryckhållfastheten än att finjustera fibermängder. Medan modellerna fortfarande behöver valideras på större och mer standardiserade dataset markerar detta ramverk ett betydande steg mot dataledd, lägre-koldioxidbetongdesign.

Citering: Ezz, H., Bakr, S.M. Comparative evaluation of machine learning and deep learning approaches for compressive strength prediction of geopolymer concrete. Sci Rep 16, 14652 (2026). https://doi.org/10.1038/s41598-026-50705-w

Nyckelord: geopolymert betong, maskininlärning, djupinlärning, prediktion av tryckhållfasthet, hållbart byggande