Kırma fırını cürufu içeren betonun mekanik dayanımını araştırmak için denetimli makine öğrenimi modellerinin öngörü doğruluğunu değerlendirme

Neden daha akıllı beton önemli?

Beton şehirlerimizi şekillendirir, ancak onu bir arada tutan çimentonun üretilmesi büyük miktarda karbondioksit salınımına neden olur—küresel emisyonların yaklaşık %8’i. Bu ayak izini azaltmanın umut verici yollarından biri, sıradan çimentonun bir kısmını çelik üretiminden çıkan camımsı bir yan ürün olan kırma fırını cürufu gibi endüstriyel atıklarla değiştirmektir. Sorun şu: güçlü, dayanıklı ve düşük karbonlu beton için doğru karışımı bulmak genellikle aylardır süren laboratuvar çalışması gerektirir. Bu çalışma, modern makine öğreniminin bu deneme‑yanılma sürecinin büyük bir bölümünü sanal ortamda yapabileceğini ve daha yeşil beton tasarımını hızlandırabileceğini gösteriyor.

Çelik üretiminden daha temiz bir bileşen

Kırma fırını cürufu, demir cevheri pik demir elde etmek için eritildiğinde oluşur. Bu erimiş yan ürün hızla soğutulup ince toz haline getirildiğinde, yavaş etkili bir çimento gibi davranır. Betona karıştırıldığında, çimento hidratasyonu sırasında oluşan bileşiklerle reaksiyona girerek ek bağlayıcı jel oluşturur ve iç gözenekleri sıkılaştırır. Faydaları üç yönlüdür: daha az çimento gerekir (CO₂ emisyonları azalır), tuz ve asit gibi kimyasal saldırılara karşı daha iyi direnç sağlanır ve dayanım daha uzun süre artmaya devam eder. Ancak performans, eklenen cüruf miktarına, diğer malzemelerle etkileşimine ve betonun kür süresine hassas biçimde bağlıdır.

Dağınık deneyleri tek bir veri kümesinde birleştirmek

Her olası karışım için yeni laboratuvar testleri yapmak yerine araştırmacılar, cüruf içeren betonlar üzerine yapılan önceki çalışmaları ve açık veri kümelerini taradılar. Her biri bir beton tarifi ve ölçülmüş basınç dayanımını (ezilmeden önce ne kadar basınca dayanabildiği) tanımlayan 675 veri kaydı derlediler. Sekiz ana bileşen ve koşul izlendi: çimento, kırma fırını cürufu, uçucu kül, iri ve ince agrega, su, süperakışkanlaştırıcı adlı yüksek etkili su azaltıcı katkı ve kür yaşı (gün olarak). Tüm değerler kontrol edildi, ortak birimlere standartlaştırıldı, belirgin hatalardan arındırıldı ve makine öğrenimi modellerinin değişkenleri eşit ölçekte karşılaştırabilmesi için yeniden ölçeklendirildi.

Beton dayanımını tahmin etmek için makineleri eğitmek

Bu veri tabanıyla ekip, karışım tasarımından basınç dayanımını tahmin etmek üzere altı farklı denetimli makine öğrenimi modeli eğitti: AdaBoost, tek bir Karar Ağacı, Gradient Boosting, k-En Yakın Komşu ve LightGBM ile XGBoost olarak bilinen iki ileri düzey ağaç tabanlı yöntem. Verilerin %80’i eğitim için, %20’si ise modellerin yeni, görülmemiş tariflerle ne kadar iyi başa çıktığını test etmek için kullanıldı. Bir modelin geçmiş verileri ezberleyip gerçek dünyada başarısız olmasının önüne geçmek için aşırı uyumu engellemek amacıyla ızgara araması ve çapraz doğrulama ile model ayarları sistematik olarak ayarlandı; ardından belirleme katsayısı (R²) ve çeşitli hata istatistikleri gibi standart doğruluk ölçütleriyle performans değerlendirildi.

Daha yeşil karışımlarda dayanımı kontrol eden etkenler

En güçlü iki model olan LightGBM ve XGBoost, laboratuvar dayanımlarını yüksek doğrulukla yeniden üretti ve test verilerindeki değişimin %94’ünden fazlasını yakaladı. Bu “kara kutu” modelleri anlaşılır kılmak için yazarlar SHAP (her girdiye tahminde bir pay atayan bir yöntem) ve kısmi bağımlılık grafikleri uyguladı; bu grafikler bir değişken değiştirildiğinde diğerleri sabit tutulurken öngörülen dayanımın nasıl kaydığını gösterir. Bu araçlar kür yaşının en büyük olumlu etkiye sahip olduğunu ortaya koydu: daha uzun kür süreleri tutarlı biçimde daha güçlü beton anlamına geliyordu. Süperakışkanlaştırıcı ve çimento içeriği, paketlemeyi iyileştirip gereksiz suyu azaltarak dayanımı artırmada ikinci en etkili faktörlerdi. Su kendisi güçlü bir olumsuz etki gösterdi—çok fazla su karışımı zayıflatır—şu şekilde kırma fırını cürufu belli bir noktaya kadar fayda sağladı, sonra etkinliği yataylaştı.

Cüruf için doğru aralığı bulmak

Modelleri farklı cüruf içerikleri boyunca tarayarak araştırmacılar optimal bir ikame aralığı belirlediler: kırma fırını cürufu toplam bağlayıcı malzemenin yaklaşık %30–40’ını oluşturduğunda, beton özellikle 28 gün ve sonrasında daha yüksek basınç dayanımlarına ulaşma eğilimindeydi. Cüruf oranını çok yüksek düzeylere, özellikle %50’nin üzerine çıkarmak erken dayanım gelişimini sıklıkla yavaşlattı; bu da inşaat takvimleri için kritik olabilir. Bu birçok küçük çalışmadan çıkarılan içgörüler pratik rehberlik sunuyor: mühendisler bu orta düzey cüruf aralığını hedefleyerek her proje için zahmetli testler yapmadan dayanım, dayanıklılık ve karbon tasarrufunu dengeleyebilirler.

Geleceğin yapıları için ne anlama geliyor?

Uzman olmayanlar için ana mesaj açık: bilgisayarlar artık geçmiş beton deneylerinden bir batch dökülmeden önce güçlü, düşük karbonlu karışımlar önerecek kadar öğrenebilir. Bu çalışmada LightGBM modeli XGBoost’tan biraz daha doğru çıktı, ancak her iki model de hangi bileşenlerin en önemli olduğunu ve cürufun en iyi nerede performans gösterdiğini gösterecek kadar hassas ve yorumlanabilirdi. Hız ve şeffaflığın bu birleşimi, tasarımcıların zaman, maliyet ve malzeme israfını azaltırken endüstriyel atıkları daha iyi kullanmasına olanak tanır. Veri kümeleri büyüdükçe ve daha standart hale geldikçe, bu tür araçlar inşaat sektörünün iklim etkisini azaltmasına yardımcı olurken güvenli, dayanıklı yapılar teslim etmeye devam edebilir.

Atıf: Sobuz, M.H.R., Majumder, S., Afrin, M.S. et al. Evaluating the predictive accuracy of supervised machine learning models to explore the mechanical strength of blast furnace slag incorporated concrete. Sci Rep 16, 6712 (2026). https://doi.org/10.1038/s41598-026-36437-x

Anahtar kelimeler: kırma fırını cürufu betonu, makine öğrenimi, basınç dayanımı, sürdürülebilir inşaat, çimento ikamesi