Regresyon tabanlı makine öğrenimi modelleri kullanılarak karbonatlı geri dönüştürülmüş agrega betonunun basınç dayanımı tahmini

Eski Betonu İklim Dostu Bir Ortak Yapmak

Her yıl şehirler büyük miktarlarda betonu yıkar, kırık parçaları depolama sahalarına gönderir ve yeni taş için taş ocaklarına talep yaratır. Bu çalışma, döngüyü kapatmanın bir yolunu araştırıyor: atık betonu kırıp karbondioksiti depolamak için kullanmak ve ardından yeni, daha yeşil betonun ne kadar güçlü olacağını modern makine öğrenimi araçlarıyla tahmin etmek. İklim dostu şehirler ve verinin daha akıllıca kullanımıyla ilgilenen herkes için bu çalışma, yapay zekânın mühendislerin dünün molozundan daha güvenli ve daha sürdürülebilir yapılar tasarlamasına nasıl yardımcı olabileceğini gösteriyor.

Betonun Yeniden Kullanılmasının Önemi

Beton her yerde—yollar, köprüler, gökdelenler—ve üretimi büyük miktarda doğal kaya ve enerji tüketirken yüksek hacimlerde CO₂ yayar. Eski betonun kırılmasıyla elde edilen geri dönüştürülmüş beton agregaları, taş ocakçılığını ve depolama sahası atıklarını azaltarak bu yükü hafifletebilir. Ancak bir sorun vardır: bu geri dönüştürülmüş parçalar genellikle yüzeylerinde artık çimento hamuru taşır; bu da onları doğal taştan daha gözenekli ve zayıf kılar. Bu genellikle geri dönüştürülmüş agregalarla yapılan yeni betonun daha az güçlü veya dayanıklı olduğu anlamına gelir ki bu, yapısal güvenlik için ciddi bir endişedir.

Atık Betonu CO₂ ile Daha Dayanıklı Yapmak

Bu sorunu ele almak için araştırmacılar karbonatlaşmaya yöneldi; burada CO₂ kasıtlı olarak eski çimento hamurundaki bileşiklerle reaksiyona sokulur. Geri dönüştürülmüş parçaların içinde gaz, gözenekleri dolduran, mikro çatlakları sıkılaştıran ve yeni betonun bir arada tutulmasını sağlayan temas bölgelerini güçlendiren katı mineraller oluşturur. Bu sadece malzeme kalitesini artırmakla kalmaz—yoğunluğu yükseltir ve su emilimini düşürür—aynı zamanda CO₂'yi beton içinde depolayarak atığı küçük bir karbon yutağına dönüştürür. Çalışma, bu karbonatlı geri dönüştürülmüş agregalarla yapılan betona odaklandı ve temel bir soruyu sordu: bu daha yeşil betonun ne kadar güçlü olduğunu bitmek bilmeyen laboratuvar testleri olmadan doğru biçimde tahmin edebilir miyiz?

Bilgisayarlara Dayanımı Tahmin Etmeyi Öğretmek

Yazarlar önceki deneylerden titizlikle ölçülmüş 108 beton numunesi topladı. Her bir örnek için karışımın nasıl hazırlandığını (örneğin su/çimento oranı ve ince-kaba agrega miktarları), agregaların kalitesini (su emilimi ve kırılma direnci), orijinal “ebeveyn” betonun ne kadar güçlü olduğunu, geri dönüştürülmüş parçaların ne kadar CO₂ aldığını ve doğal taşın ne kadarının geri dönüştürülmüş malzeme ile değiştirildiğini kaydetti. Ardından bu girdiler ile ortaya çıkan basınç dayanımı arasındaki bağı öğrenmesi için basit doğrusal formüllerden daha esnek karar ağaçları ve topluluk modellerine kadar çeşitli regresyon tarzı makine öğrenimi modelleri eğittiler.

Akıllı Modellerle Karmaşık Karışımları Çözmek

Ölçülen birçok bileşen güçlü biçimde birbirine bağlıydı ve bu durum geleneksel istatistiksel yöntemleri şaşırtabiliyordu. Basitleştirmek için ekip, ilişkili değişken gruplarını iki bileşik gösterge halinde birleştirdi: biri karışımın genel orantılanmasını, diğeri ise agrega performansını özetliyordu. Ardından ayrıntılı verilerle eğitilmiş modelleri bu kompakt göstergelerle eğitilmiş modellerle karşılaştırdılar. Basit doğrusal yaklaşımlar makul performans gösterdi ama verideki eğrisel, iç içe geçmiş ilişkilerle zorlandı. Buna karşılık, karar ağaçları, rastgele ormanlar ve LightGBM gibi ağaç tabanlı topluluk yöntemleri bu desenleri dikkate değer bir doğrulukla yakaladı; tipik tahmin hatalarını yaklaşık 1 megapascal civarında tutup testlerde gözlenen varyasyonun %99'undan fazlasını açıkladılar.

Güçlü Yeşil Beton İçin En Önemli Etkenler

En iyi performans gösteren modellerin “siyah kutusunu” açmak için araştırmacılar, her girdinin tipik olarak tahminleri ne kadar yukarı veya aşağı ittiğini gösteren SHAP adlı bir teknik kullandı. Karışımın orantılanma biçiminin—özellikle çimento, agregalar ve su arasındaki dengenin—dayanımı kontrol eden baskın faktör olduğunu buldular. Geri dönüştürülmüş agregalardaki karbonatlaşma derecesi de önemli ama doğrusal olmayan bir rol oynuyor: daha fazla CO₂ muamelesi genel olarak fayda sağlasa da etkisi orijinal ebeveyn betonun kalitesine bağlı. Agrega performansını özetleyen birleşik gösterge orta düzeyde bir etkiye sahipken, geri dönüştürülmüş agrega yüzdesini artırmak tek başına karışım tasarımı ve uygulamanın doğruluğu kadar önemli değil.

Laboratuvar Verilerinden Pratik Tasarıma

Basitçe ifade etmek gerekirse, bu çalışma gösteriyor ki karbonatlı geri dönüştürülmüş agrega betonu, tarifi dikkatle ayarlandığı sürece hem iklim bilincine sahip hem de dayanıklı olabilir. Modern makine öğrenimi, özellikle ağaç tabanlı topluluk modelleri, karışım ve malzeme parametrelerinin yönetilebilir bir kümesinden dayanımı doğru şekilde tahmin edebilir ve her yeni kombinasyon için zaman alıcı testlere olan ihtiyacı azaltabilir. Mühendisler ve plancılar için bu, eski betonu yeniden kullanıp CO₂'yi depolayan ve yine de sıkı güvenlik standartlarını karşılayan yapılar tasarlamanın veri odaklı araçlarla giderek daha gerçekçi hale geldiği anlamına geliyor.

Atıf: Gebremariam, H.G., Taye, S. & Tarekegn, A.G. Compressive strength prediction of carbonated recycled aggregate concrete using regression based machine learning models. Sci Rep 16, 5825 (2026). https://doi.org/10.1038/s41598-026-36197-8

Anahtar kelimeler: geri dönüştürülmüş beton, karbonatlaşma, makine öğrenimi, basınç dayanımı, sürdürülebilir inşaat