AI-drivet icke-förstörande test för smart tillverkning av kolsänke-biopolymerbundet jordkomposit

Smartare byggstenar för en värld som värms upp

Byggnader står för en stor andel av de globala koldioxidutsläppen, till stor del på grund av cementbaserat betong. Denna studie undersöker en helt annan typ av byggsten: tegel gjorda av jord sammanhållen av naturliga polymerer, som faktiskt kan lagra mer kol än de släpper ut. Forskarna visar hur artificiell intelligens och enkla vibrationstester kan upptäcka dolda fel i dessa "gröna" tegel medan de fortfarande är mjuka och också följa hur de torkar och härdar — vilket banar väg för säkrare, mindre slösaktigt och mer klimatvänligt byggande.

Tegel gjorda av naturen, inte cement

Materialet i centrum för detta arbete kallas en biopolymerbundet jordkomposit. Istället för cement används polymerer härledda från biologiska källor, såsom proteiner, för att limma sandkorn ihop. När de har torkat kan dessa tegel vara lika starka som betong men ha ett negativt koldioxidavtryck eftersom de låser in kol som annars skulle återgå till atmosfären. Om sådana material ska gå från labbet till vardaglig användning behöver tillverkare tillförlitliga metoder för att säkerställa att varje tegel är starkt, enhetligt och fritt från farliga defekter. Traditionella kvalitetskontroller för betong och andra byggmaterial tenderar att vara långsamma, förstörande eller bara fungera när materialet helt har härdat, vilket är för sent att åtgärda problem utan att slösa material.

Lyssna på vibrationer istället för att bryta tegel

Teamet utvecklade ett icke-förstörande testsystem som "lyssnar" på hur ett nygjort, mjukt tegel vibrerar när det försiktigt knackas. I sina experiment blandade de sand, vatten och ett blodproteininbindemedel för att bilda en våt komposit, packade den i rektangulära formar och testade den omedelbart. En impuls-hammare gav snabba knackningar på ytan medan en liten accelerometer på teglet registrerade de resulterande vibrationsvågorna. Dessa signaler bär information om materialets interna struktur: ett jämnt, enhetligt tegel vibrerar annorlunda än ett med håligheter, täta inklusioner eller interna separationer som liknar sprickor. Eftersom hårdvaran är enkel och kommersiellt tillgänglig kan sensorn snabbt flyttas från ett tegel till ett annat, ungefär som en läkare som använder ett stetoskop.

Lära AI att upptäcka dolda fel

För att tolka de komplexa vibrationsmönstren byggde forskarna två familjer av AI-modeller, med smeknamnen Mini-ft och Mega-ft. Båda börjar med att dela upp den kontinuerliga sensordatan i korta utdrag, där varje utdrag innehåller svaret på en enskild hammarslag. Mini-ft fokuserar på 171 nyckelpunkter från varje utdrag och pressar ner denna information till bara två egenskaper som fångar hur signalen stiger och avtar. Den använder sedan en enkel närmaste granne-metod för att avgöra om ett prov är normalt eller defekt och en statistisk modell för att uppskatta hur mycket fukt det har förlorat under torkning. Mega-ft tar en mer kraftfull ansats: den applicerar tusentals slumpmässigt formade filter på varje utdrag för att skapa en rik, 20 000-funktionsbeskrivning av vibrationerna. En snabb linjär klassificerare använder sedan detta högupplösta fingeravtryck för att känna igen inte bara om ett tegel är defekt utan också vilken typ av defekt det rör sig om.

Hur bra fungerar systemet?

Teamet testade sin metod på tjugo laboratorietillverkade tegel, inklusive elva utan defekter och åtta med noggrant inbäddade brister. Några innehöll ståldelar för att efterlikna ovanligt täta regioner; andra gömde ihåliga plastformer för att imitera håligheter; ytterligare andra hade tunna plastskivor som stod för interna sprickor i olika storlekar. Med den enklare Mini-ft-modellen skiljde systemet korrekt mellan defekta och normala tegel i ungefär 96 % av fallen och kunde särskilja nio olika klasser — en normal plus åtta defekttyper — med en noggrannhet på cirka 82 %. Den mer detaljerade Mega-ft-modellen pressade dessa siffror ännu högre, till ungefär 99 % för grundläggande defektupptäckt och 97 % för att särskilja defekttyper. AI:n kunde också uppskatta hur långt ett tegel hade torkat, och därmed hur mycket styrka det hade vunnit, med endast några procents felmarginal, vilket gör den användbar för att följa härdningsprocessen över tid.

Från pilotstudie till verkligt byggande

Även om detta arbete utfördes på tegelstora prover med medvetet överdrivna defekter pekar resultaten mot ett praktiskt fabriksgolvverktyg för hantering av nya kolsänke-byggmaterial. Eftersom metoden fungerar medan materialet fortfarande är vått kan felaktiga satsningar upptäckas tidigt och blandningen återvinnas i stället för att kastas, vilket minskar både avfall och kostnader. Samma vibrations- och AI-system skulle kunna anpassas till olika blandningsdesigner, temperaturer och produktformer, från små tegel till större bärande element eller till och med 3D-printade former. Enkelt uttryckt visar studien att genom att knacka och "lyssna" med AI kan tillverkare säkerställa att naturbaserade tegel är både gröna och pålitliga, vilket hjälper hållbart byggande att skala upp utan att offra säkerheten.

Citering: Miao, B.H., Dong, Y., Theissler, A. et al. AI-powered non-destructive testing for smart manufacturing of carbon-negative biopolymer-bound soil composite. Commun Eng 5, 64 (2026). https://doi.org/10.1038/s44172-026-00621-8

Nyckelord: biopolymerbundet jordkomposit, icke-förstörande testning, vibrationssensorik, AI kvalitetskontroll, hållbart byggande