Buğday samanı takviyeli sürdürülebilir alçı kompozitlerinin basınç ve eğilme dayanımının makine öğrenmesine dayalı tahmini

Tarımsal Atığı Yapı Malzemesine Dönüştürmek

Her yıl dünyanın dört bir yanındaki çiftçiler büyük miktarlarda artık saman yakıyor; aynı zamanda şehirler geniş miktarlarda beton dökerek önemli miktarda karbondioksit salıyor. Bu çalışma, her iki sorunu aynı anda ele almanın bir yolunu araştırıyor: tarımsal atık olan buğday samanını alçı bazlı yapı malzemelerini güçlendirmek için kullanmak ve bu daha çevreci malzemelerin ne kadar dayanıklı olacağını tahmin etmek için akıllı bilgisayar araçlarından faydalanmak.

Neden Sıradan Betondan İleriye Bakmalıyız

Beton, dünyada en çok kullanılan malzemelerden biri olsa da ana bileşeni çimentonun üretimi atmosfere büyük miktarda karbondioksit salıyor. Buna karşılık, başka bir mineral bağlayıcı olan alçının üretimi çok daha az karbon üretiyor. Alçı, alçıpan ve iç bölme duvarları gibi tanıdık ürünlerde zaten kullanılıyor; iyi yangın dayanımı, ses yalıtımı ve düşük ağırlık gibi avantajları var. Ancak alçı tek başına kırılgandır ve birçok yapısal kullanım için yeterince dayanıklı değildir; bu da onun beton veya tuğlanın yerine güvenle kullanılabileceği yerleri sınırlıyor.

Samana İkinci Bir Hayat Vermek

Modern tarım büyük hacimlerde atık üretiyor ve buğday samanı bunun başlıca örneklerinden biri. Pakistan gibi ülkelerde bu samanın büyük kısmı açık alanlarda yakılıyor; bu da dumanı artırıp halk sağlığını olumsuz etkiliyor. Samanı bertaraf edilecek bir sorun olarak görmek yerine, yazarlar onu inşaat için ucuz ve yenilenebilir bir bileşen olarak değerlendiriyor. Küçük miktarlarda saman lifleri alçıya karıştırıldığında, malzemenin kırılmadan önce biraz daha eğilmesine yardımcı olabilir ve aksi takdirde israf edilecek bir kaynağı daha iyi kullanmayı sağlar. Ancak nihai dayanım, alçının kalitesi, su, saman miktarı ve kimyasal katkılar dahil olmak üzere birçok bileşenin aynı anda etkileşimine bağlıdır.

Deneylerden Makinelere Öğretmek

Saman–alçı karışımlarının her olası tarifini fiziksel olarak test etmek yavaş ve maliyetli olurdu. Bunu çözmek için araştırmacılar literatürde raporlanan 161 önceki karışımdan veri topladılar. Her tarif için alçının dayanımı ve miktarı, su içeriği ve su/alçı oranı, eklenen saman miktarı ve iki yaygın katkının varlığı gibi ayrıntıları kaydettiler. Ayrıca iki önemli çıktıyı not ettiler: numunelerin ezilme (basınç dayanımı) ve bükülmeye (eğilme dayanımı) karşı direnci. Bu verileri kullanarak, bilgisayarların girdilerin bu dayanımlarla nasıl ilişkili olduğunu önceden sabit bir formül verilmeden öğrenebilmesi için beş farklı makine öğrenmesi modeli eğitildi.

En Güvenilir Dijital Tahminciyi Bulmak

Takım yapay sinir ağları, Gauss süreçli regresyon, rastgele ormanlar, extreme gradient boosting ve destek vektör makinelerini karşılaştırdı. Her bir modeli, kendilerini kandırmamak için verinin bir kısmında tekrar tekrar eğitip bir kısmında test eden dikkatli bir test yöntemi olan çapraz doğrulama ile kontrol ettiler. Tüm yaklaşımlar arasında Gauss süreçli regresyon öne çıktı: hem basınç hem de eğilme dayanımını diğerlerine kıyasla daha doğru ve daha tutarlı tahmin etti. Bu yöntemin bir diğer avantajı, yalnızca tek bir tahmin vermemesi; aynı zamanda tahminin ne kadar güvenilir olduğunu gösteren bir belirsizlik aralığı sağlamasıdır; bu, mühendislerin güvenlikle ilgili kararlar alması gerektiğinde faydalıdır.

Karışımda En Çok Ne Önemli

Modellerin gizemli kara kutular gibi davranmasını önlemek için yazarlar hangi bileşenlerin tahminleri en çok etkilediğini inceledi. Daha iyi performans gösteren modellerde alçının kendine özgü dayanımı hem basınç hem de eğilme dayanımı için ana belirleyici olarak ortaya çıktı. Toplam alçı miktarı ve kullanılan su miktarı da nihai malzemenin ne kadar yoğun ya da gözenekli olacağını değiştirdikleri için önemli roller oynadı. Buğday samanı ve kimyasal katkılar ikincil etkilere sahipti: bazı aralıklarda davranışı ayarlamaya yardımcı olsalar da, çok fazla su, saman veya katkı ekstra boşluklar oluşturarak veya sertleşmiş karışım içindeki bağlanmayı bozarak dayanımı düşürme eğilimindeydi.

Akıllı Tahminlerden Daha Yeşil Binalara

Basitçe ifade etmek gerekirse, çalışma bilgisayarların bir tarif bazında saman takviyeli alçının ne kadar dayanıklı olacağını laboratuvarda her yeni numuneyi döküp kırmaya gerek kalmadan doğru şekilde öğrenebileceğini gösteriyor. En iyi model olan Gauss süreçli regresyon yalnızca güvenilir dayanım tahminleri vermekle kalmıyor, her bir tahminin ne kadar kesin olduğunu da gösteriyor. Bu sürdürülebilir bileşenler ile akıllı tahmin araçlarının birleşimi, tasarımcılara amaçlanan kullanımlar için yeterince güçlü olan alçı–saman ürünlerine yönelme imkanı sunarken hem çimento kullanımını hem de tarımsal yakımı azaltabilir. Bunu yaparken iklime daha dost ve elimizdeki malzemeleri daha iyi kullanan yapı yöntemlerine işaret ediyor.

Atıf: Ahmad, H., Ejaz, M.F., Riaz, M.R. et al. Machine learning-based prediction of compressive and flexural strength of wheat straw reinforced sustainable gypsum composites. Sci Rep 16, 15087 (2026). https://doi.org/10.1038/s41598-026-45024-z

Anahtar kelimeler: alçı kompozitleri, buğday samanı, makine öğrenmesi, basınç dayanımı, sürdürülebilir inşaat