Atık alüminyum liflerle güçlendirilmiş betonun eğilme dayanımını tahmin etmek için hibrit bir makine öğrenmesi yaklaşımı

Çöp Metali Dengin Betona Dönüştürmek

Her yıl fabrikalar ve hanehalkları, kutular, teller ve işleme artıklarından büyük miktarda alüminyum hurda üretir. Bu atıkların çoğu güvenli şekilde bertaraf etmek zordur; oysa alüminyum hafif, güçlü ve dayanıklıdır. Bu çalışma, önemli sonuçları olabilecek basit bir soruyu araştırıyor: bu problemli hurdaları, betonu hem daha çevreci hem de bükülme ve çatlamaya karşı daha dayanıklı hale getirecek küçük liflere dönüştürebilir miyiz ve yeni malzemenin ne kadar güçlü olacağını akıllı bilgisayar modelleriyle tahmin edebilir miyiz?

Neden Eğilme Dayanımı Önemli?

Beton sıkıştırıldığında ağır yükleri taşımakta mükemmeldir, ancak eğilmeye karşı çok daha zayıftır. Yollar, döşemeler, köprü platformları ve pistler genellikle önce saf ezilme yerine eğilme ve çatlama yoluyla hasar görür. Lif eklemek, beton çatlamaya başladığında gerilmeyi köprülendirip bir arada tutmasına yardımcı olan bir yoldur. Bu çalışmadaki araştırmacılar, kullanılmış içecek kutuları ve diğer hurdalardan kesilmiş atık alüminyum liflerine odaklandı. Bu lifleri betona hacim olarak %1 ile %5 arasında farklı oranlarda karıştırdılar ve küçük kirişlerin eğilmeye karşı dayanımını test ettiler. Yaklaşık %3 lif içeriğinde açık bir optimum noktası buldular: kirişler en yüksek eğilme yükünü taşıdı ve daha sıkı, kontrollü çatlaklar gösterdi; bu seviyenin ötesinde ekstra lifler topaklanma ve taze betonun işlenebilirliğinin azalmasına yol açarak durumu kötüleştirdi.

Dayanımı Tahmin Etmek İçin Daha Akıllı Bir Yol İnşa Etmek

Atık liflerle beton tasarlamak sadece bir lif yüzdesi tahmin etmekten ibaret değildir. Çimento, su, kum, çakıl, özel tozlar, kür süresi ve lif içeriği gibi birçok bileşen karmaşık etkileşimler gösterir. Deneme-yanılmanın ötesine geçmek için ekip, kendi deneyleri ve önceki çalışmalarından elde edilen, tamamı alüminyum atık lifleri içeren 195 test sonucundan oluşan bir veri seti derledi. Ardından seksen temel karışım ve kür değişkeninden sekizine dayanarak eğilme dayanımını tahmin etmek üzere üç farklı makine öğrenmesi modeli eğitildi: Rastgele Orman (birçok karar ağacının ortalaması), Extreme Gradient Boosting (XGBoost) ve beyin hücrelerinin bağlantılarından esinlenen Yapay Sinir Ağı. Her model veride farklı desenleri yakalamakta iyidir.

Modelleri Birleştirmek ve Kara Kutuyu Açmak

Araştırmacılar tek bir “en iyi” modeli seçmek yerine, modelleri üst üste koydu. Bu hibrit yaklaşımla üç model her biri kendi tahminini yapıyor ve son bir birleştirme katmanı bunları en doğru cevabı verecek şekilde ağırlıklandırmayı öğreniyor. Bu yığılmış sistem eğilme dayanımını çok yüksek doğrulukla tahmin etti: eğitim verisindeki değişimin %99’dan fazlasını ve yeni, görülmemiş testlerde yaklaşık %96’sını açıkladı. Sistemin sadece gizemli bir kara kutu olmadığından emin olmak için SHAP adında bir yorumlama aracına başvurdular. Bu yöntem, kür yaşı veya agrega içeriği gibi her girişe tahmin edilen dayanımdaki payını atıyor. Analiz, özellikle kür yaşı ve agrega içeriklerinin önemli olduğunu, alüminyum lifi yüzdesinin faydalı olmakla birlikte yük taşıyan kum ve çakıl iskeletine göre daha küçük bir rol oynadığını gösterdi.

Karışım İçinde En Çok Önem Taşıyanlar

Yorum sonuçlarına derinlemesine bakıldığında, daha uzun kür sürelerinin eğilme dayanımını tutarlı şekilde artırdığı bulundu; bu da gerçek projeler için yavaş, nemli kürün değerini doğruluyor. Irmak ve ince agregalar birlikte kilit oyuncular olarak ortaya çıktı: miktarları ve tane boyutu dengesi, eğilme altındaki çatlakların nasıl başlayıp yayıldığını kontrol ediyor. Su ve çimentonun etkisi daha nüanslıydı—çok fazla su macun ile taşlar arasındaki bağı zayıflatırken, çok fazla çimento malzemeyi kırılgan hale getirebiliyor. Atık alüminyum lifleri, çatlakları köprüleyip betonun çekme dayanımını iyileştirerek yardımcı oldu, ancak yalnızca hacimce yaklaşık %3’e kadar; bunun üzerinde karışım yerleştirilmesi zor ve daha az homojen hale gelerek ekstra takviyenin faydasını azaltıyor. Modelin rehberliği, mühendislerin karışım tasarlarken hedefleyebilecekleri agrega, çimento, su ve lif içeriği aralıkları için pratik önerilere dönüştü.

Laboratuvar Bilgisinden Daha Yeşil Yapılara

Genel okuyucu için ana mesaj basit: atılmış alüminyumu, betonu eğilmeye karşı daha dirençli hale getiren faydalı bir bileşen haline getirmek mümkün; aynı zamanda atıkları çöplüklerden uzaklaştırıp yeni çelik lif ihtiyacını azaltmak da mümkün. Titiz deneyleri şeffaf, çoklu model öğrenme sistemiyle eşleştirerek araştırmacılar, belirli bir atık-lifli beton karışımının ne kadar güçlü olacağını tahmin edebilen ve nedenini açıklayabilen bir tür "hesap makinesi" yarattılar. Sonuçlar, yaklaşık %3 alüminyum atık lifine sahip iyi tasarlanmış bir karışımın eğilme dayanımını iyileştirebileceğini, malzeme maliyetlerini düşürebileceğini ve çevresel etkiyi azaltabileceğini gösteriyor. Ölçeklendirildiğinde ve daha fazla veriyle geliştirildiğinde, bu yaklaşım mühendislerin endüstriyel hurdaları günlük altyapıda güvenle kullanmasına yardımcı olabilir; köprüleri, yolları ve döşemeleri hem daha dayanıklı hem de daha sürdürülebilir kılabilir.

Atıf: Boursas, F., Boufarh, R., Altowaijri, Y. et al. A hybrid machine learning approach for predicting the flexural strength of concrete reinforced with waste aluminium fibres. Sci Rep 16, 10763 (2026). https://doi.org/10.1038/s41598-026-41961-x

Anahtar kelimeler: atık alüminyum lifler, eğilme dayanımı, sürdürülebilir beton, makine öğrenmesi modelleri, geri dönüştürülmüş yapı malzemeleri