⚡ electrical engineering

Mechanical Performance and Strength Prediction of Rubberized Silica Fume Concrete: An Experimental and Machine Learning Investigation for Sustainable Construction

Diese Studie untersucht die mechanische Leistungsfähigkeit von gummiberechtigtem Siliciumdioxid-Rauch-Beton durch experimentelle Tests und maschinelles Lernen und zeigt auf, dass während Gummipulver und Siliciumdioxid-Rauch bestimmte Eigenschaften verbessern und bestehende Bemessungsnormen die Festigkeit unterschätzen, fortschrittliche Vorhersagemodelle wie künstliche neuronale Netze eine überlegene Genauigkeit bei der Schätzung der Druck- und Biegezugfestigkeit bieten, um einen nachhaltigen Bau zu unterstützen.

Ursprüngliche Autoren: M. Shariq, A. Fuzail Hashmi, M. Ayaz, M. Tanveer, M. Asif Ansari

Veröffentlicht 2026-06-25

📖 5 Min. Lesezeit🧠 Tiefgang

CC BY 4.0

Ursprüngliche Autoren: M. Shariq, A. Fuzail Hashmi, M. Ayaz, M. Tanveer, M. Asif Ansari

Originalarbeit lizenziert unter CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Stellen Sie sich die Bauindustrie wie eine riesige Bäckerei vor. Jahrelang haben sie „Beton-Kuchen“ mit Standardzutaten gebacken: Zement, Sand und Steine. Aber die Welt steht vor zwei großen Problemen: einem Berg alter Reifen, die auf Mülldeponien stapeln sich (die giftig und schwer abbaubar sind), und der Notwendigkeit, weniger Zement zu verwenden, um den Planeten zu schonen.

Dieses Forschungspapier ist wie ein Team von Bäckern, das versucht, beide Probleme gleichzeitig zu lösen, indem es ein neues, umweltfreundliches Rezept erfindet. Sie wollten sehen, was passiert, wenn man einen Teil des Sandes durch Gummimehl (aus alten Reifen) ersetzt und einen Teil des Zements durch Silica-Fume (ein feines industrielles Nebenprodukt) ersetzt.

Hier ist eine einfache Aufschlüsselung dessen, was sie getan haben, was sie herausgefunden haben und wie sie Computer genutzt haben, um die Ergebnisse vorherzusagen.

1. Das Experiment: Das Mischen des „Öko-Kuchens“

Die Forscher erstellten 16 verschiedene Chargen Beton.

Der Gummi: Sie ersetzten den Sand durch Gummimehl in Mengen von 0 % (reiner Beton) bis hin zu 35 %.
Die Geheimzutat: Für die Hälfte dieser Chargen fügten sie 10 % Silica-Fume zur Zementmischung hinzu.
Der Test: Sie backten diese Mischungen zu Blöcken und warteten 7, 28 und 56 Tage. Dann zercrushten sie diese, um zu sehen, wie stark sie waren, bogen sie, um zu sehen, wie viel sie flexen konnten, und schickten Schallwellen durch sie hindurch (wie ein Ultraschall bei einem Baby), um ihre interne Qualität zu prüfen.

2. Die Ergebnisse: Was passierte?

Stellen Sie sich Beton wie einen Schwamm vor. Wenn man Gummi hinzufügt, ist das so, als würde man weiche, quietschende Schwämme in einen harten Backstein legen.

Der Gummi-Effekt: Je mehr Gummi sie hinzufügten, desto weicher wurde der Beton. Er wurde weniger fähig, schwere Lasten zu tragen (die Druckfestigkeit sank). Die Schallwellen bewegten sich langsamer durch ihn, was bedeutete, dass das Material weniger dicht war und mehr winzige Luftlöcher aufwies.
- Jedoch gab es einen optimalen Punkt. Wenn sie nur eine ganz kleine Menge Gummi (5 %) hinzufügten, wurde der Beton tatsächlich besser beim Biegen, ohne zu brechen. Es war, als würde man einem spröden Keks ein wenig Gummi hinzufügen, um ihn statt brüchig etwas elastischer zu machen.
Der Silica-Fume-Effekt: Dies war der entscheidende Faktor. Wenn sie die Silica-Fume hinzufügten, wirkten sie wie ein superfeiner Füllstoff. Sie verschlossen die winzigen Löcher, die durch den Gummi entstanden waren, und klebten alles fester zusammen.
- Das Ergebnis: Die Silica-Fume steigerten die Festigkeit jeder Mischung, selbst derer mit viel Gummi. Sie verwandelten den „weichen“ Gummi-Beton zurück in etwas viel Stärkeres und Haltbareres.

3. Das Problem mit den alten Regeln

Ingenieure nutzen normalerweise „Regelwerke“ (Bemessungsnormen), um zu schätzen, wie stark eine neue Art von Beton sein wird. Die Forscher testeten ihren neuen Gummi-Beton gegen diese alten Regelwerke.

Die Erkenntnis: Die Regelwerke waren falsch. Sie schätzten konsistent voraus, dass die Festigkeit viel niedriger sein würde, als sie tatsächlich war. Es ist, als würde ein Wetterbericht ständig einen Schneesturm vorhersagen, während es eigentlich nur leichter Schneefall ist. Die alten Regeln berücksichtigten nicht die einzigartige Art und Weise, wie Gummi und Silica-Fume zusammenwirken.

4. Die Lösung: Computer lehren, Vorhersagen zu treffen

Da die alten Regelwerke versagten, wandten sich die Forscher dem Maschinellen Lernen (ML) zu. Stellen Sie sich vor, man trainiert einen smarten Roboter zu einem „Stärke-Vorhersager“.

Das Training: Sie fütterten den Roboter mit Daten aus ihren 16 Experimenten. Sie zeigten ihm: „Hier ist die Menge an Gummi, hier ist die Menge an Silica-Fume und hier ist die Festigkeit, die wir erhalten haben.“
Der Wettbewerb: Sie testeten sechs verschiedene Arten von „Roboter-Gehirnen“ (Algorithmen), um zu sehen, welches am besten lernt:
1. Künstliches Neuronales Netz (ANN): Ein gehirnähnliches System, das Muster lernt.
2. Regressionsbäume & Boosted Trees: Systeme, die Entscheidungen wie ein Flussdiagramm treffen.
3. Support Vector Machines & andere: Mathematische Modelle, die Linien ziehen, um Daten zu trennen.
Der Gewinner: Das Künstliche Neuronale Netz (ANN) war der Champion. Es war am besten darin, die komplexe, nicht-lineare Beziehung zwischen den Zutaten und der Festigkeit zu verstehen. Es machte die wenigsten Fehler.

5. Das finale Werkzeug: Eine neue Formel

Obwohl das ANN das intelligenteste war, wollten die Forscher etwas Praktisches für Ingenieure schaffen, das auf einer Baustelle ohne Supercomputer genutzt werden kann. Also nutzten sie die Daten, um eine einfache mathematische Formel (ein Regressionsmodell) zu erstellen.

Diese Formel ermöglicht es einem Ingenieur, das Alter des Betons, die Menge an Gummi und die Menge an Silica-Fume einzugeben, und sie wird die Festigkeit genau vorhersagen.
Sie nutzten diese Formel sogar, um vorherzusagen, wie gut der Beton sich biegt (Biegezugfestigkeit), indem sie nur die Information über seine Druckfestigkeit aus einem geraden Drucktest verwendeten.

Zusammenfassung

Dieses Papier ist eine Erfolgsgeschichte von Recycling und smarter Mathematik.

Recycling: Sie bewiesen, dass man alte Reifen in Beton verwenden kann, aber man muss vorsichtig mit der Menge sein.
Verbesserung: Das Hinzufügen von Silica-Fume behebt die Schwäche, die durch den Gummi verursacht wird.
Vorhersage: Alte Ingenieursregeln funktionieren für diese neue Mischung nicht, aber eine neue, einfache Formel (abgeleitet aus smartem Computerlernen) kann die Festigkeit genau vorhersagen.

Das Ziel ist nicht nur, „grünen“ Beton herzustellen, sondern ihn auch vorhersehbar zu machen, damit Bauleute ihm vertrauen und ihn sicher im realen Bauwesen einsetzen können.

Technische Zusammenfassung: Mechanische Leistungsfähigkeit und Festigkeitsprognose von gummierte Silikastaubbeton

Problemstellung
Die weltweite Akkumulation von Altreifen stellt eine erhebliche ökologische Herausforderung dar, da traditionelle Entsorgungsmethoden wie Deponierung und Verbrennung zu Bodenverschlechterung und toxischen Emissionen führen. Während die Einbindung von recyceltem Altreifen in Beton (gummierter Beton) einen nachhaltigen Entsorgungsweg bietet, führt dies typischerweise zu einer Verringerung der mechanischen Eigenschaften, insbesondere der Druckfestigkeit, aufgrund der schwachen Bindung zwischen hydrophoben Gummipartikeln und der Zementpaste. Im Gegensatz dazu ist bekannt, dass Silikastaub die Betonfestigkeit durch puzzolanische Reaktionen erhöht; dennoch bleibt der synergistische Effekt bei der Kombination mit variierenden Prozentsätzen an Gummipulver unteruntersucht. Darüber hinaus unterschätzen bestehende empirische Bemessungsnormen (IS, Eurocode, ACI, NZS) konsequent den Modul der Biegezugfestigkeit von gummiertem Beton, was eine kritische Lücke in den Prognosewerkzeugen für dieses modifizierte Material aufzeigt.

Methodik
Die Studie verfolgte einen dualen Ansatz, der eine experimentelle Untersuchung mit fortgeschrittener datengestützter Modellierung kombinierte:

Experimentelles Programm: Sechzehn Betonmischungen wurden unter Verwendung von 43-Grad-Portlandzement (OPC) hergestellt. Gummipulver (0 % bis 35 % bezogen auf das Gewicht des Feinaggregats) und Silikastaub (10 % bezogen auf das Gewicht des Zements) wurden als Teilersatzstoffe verwendet. Die Mischungen beinhalteten Variationen mit und ohne Silikastaub, wobei spezifische Wasser-Zement-Werte eingehalten wurden (0,44 für Mischungen ohne SF, 0,49 für Mischungen mit SF).
Prüfprotokoll: Die Proben wurden unter getauchten Bedingungen bei 27±2 °C ausgehärtet. Die Tests umfassten die Ultraschall-Impulsgeschwindigkeit (UPV) nach 28 Tagen zur Qualitätsbewertung, die Druckfestigkeit nach 7, 28 und 56 Tagen sowie die Biegezugfestigkeit nach 28 Tagen.
Prognosemodellierung:
- Maschinelles Lernen (ML): Sechs Algorithmen – Künstliche Neuronale Netze (ANN), Regressionsbaum (RT), Boosted Tree (BT), Gauß-Prozess-Regression (GPR), Support Vector Machine (SVM) und Lineares Regressionsmodell (LRM) – wurden auf 80 % des Datensatzes trainiert, um die Druckfestigkeit vorherzusagen.
- Regressionsanalyse: Eine multivariate Regressionsanalyse wurde durchgeführt, um analytische Gleichungen für die altersabhängige Druck- und Biegezugfestigkeit zu entwickeln.
- Validierung: Die experimentellen Ergebnisse wurden mit empirischen Gleichungen aus wichtigen Bemessungsnormen verglichen. Eine Sensitivitätsanalyse wurde am leistungsfähigsten ML-Modell durchgeführt, um den Einfluss der Eingangsparameter zu bestimmen.

Wichtigste Ergebnisse

Mechanische Leistungsfähigkeit:
- Druckfestigkeit: Ein zunehmender Gehalt an Gummipulver führte zu einer progressiven Abnahme der Druckfestigkeit. Die 35 %-Gummimischung (ohne Silikastaub) verzeichnete eine Reduktion von 70 % im Vergleich zu reinem Beton. Die Zugabe von 10 % Silikastaub milderte diesen Verlust jedoch erheblich ab und verbesserte die Festigkeit in allen gummierte Mischungen.
- Biegezugfestigkeit: Es wurde ein einzigartiger Trend beobachtet, bei dem die Zugabe von bis zu 5 % Gummipulver die Biegezugfestigkeit durch die elastische Natur des Kautschuks, die den Bruch verzögert, um 6,2 % steigerte. Jenseits von 5 % sank die Festigkeit. Silikastaub verbesserte die Biegezugfestigkeit konsistent, wobei die 10 %-SF-Mischung eine Steigerung von 8,7 % gegenüber dem reinen Beton aufwies.
- UPV: Die Impulsgeschwindigkeit sank von 4,70 km/s auf 3,75 km/s, während der Gummigehalt von 0 % auf 35 % anstieg, was auf einen Übergang von „exzellenter“ zu „guter“ Betonqualität hindeutet, bedingt durch die reduzierte Dichte und erhöhte Porosität.
Vergleich mit Bemessungsnormen: Alle evaluierten Normen (IS, Eurocode, ACI, NZS) unterschätzten den experimentellen Modul der Biegezugfestigkeit signifikant, mit Unterschätzungen zwischen 27 % und 56 %.
Modellleistung:
- Unter den ML-Modellen zeigte das Künstliche Neuronale Netz (ANN) die überlegene Vorhersagegenauigkeit für die Druckfestigkeit mit einem Test- $R^2$ von 0,9905 und dem niedrigsten RMSE von 1,3793. Die Sensitivitätsanalyse identifizierte den Zementgehalt als den einflussreichsten Parameter, während das Gummipulver der am wenigsten einflussreiche war.
- Obwohl das ANN eine hohe Genauigkeit aufwies, wurde ein multivariates Regressionsmodell aufgrund seiner Einfachheit und expliziten Formulierung für die praktische Anwendung ausgewählt. Dieses Modell erreichte ein $R^2$ von 0,98 für die Vorhersage der Druckfestigkeit.
- Das Regressionsmodell wurde erfolgreich erweitert, um die Biegezugfestigkeit basierend auf den Druckfestigkeitsdaten vorherzusagen, wobei alle Datenpunkte innerhalb einer Fehlermarge von ±10 % lagen.

Bedeutung und Beiträge
Die Arbeit beansprucht, einen umfassenden Rahmen für die nachhaltige Nutzung von Altreifen und Silikastaub in der Bauwirtschaft bereitzustellen. Ihre primären Beiträge sind:

Synergistische Optimierung: Der Nachweis, dass die Kombination von Gummipulver (bis zu 5 %) mit Silikastaub die Biegeeigenschaften verbessern kann, während eine akzeptable Druckfestigkeit erhalten bleibt, was einen praktikablen Weg für den nachhaltigen Bau eröffnet.
Identifizierung von Normbeschränkungen: Die Aufdeckung der Unzulänglichkeit aktueller internationaler Bemessungsnormen bei der Vorhersage des Verhaltens von gummierte Silikastaubbeton, was neue, materialspezifische Modelle erforderlich macht.
Praktische Prognosewerkzeuge: Entwicklung und Validierung analytischer Modelle (Gl. 12 und Gl. 14), die es Ingenieuren ermöglichen, altersabhängige Druck- und Biegezugfestigkeiten genau zu schätzen, ohne auf komplexe Rechenwerkzeuge angewiesen zu sein. Diese Modelle erleichtern die Integration von Abfallmaterialien in die reale Tragwerksplanung.
Umweltrelevanz: Bereitstellung einer technischen Basis für die Nutzung von Altreifen in Beton, um somit Abfallmanagementprobleme anzugehen und das Recycling industrieller Nebenprodukte zu fördern.

Die Studie kommt zu dem Schluss, dass maschinelles Lernen zwar eine hochpräzise Vorhersage ermöglicht, die abgeleiteten analytischen Regressionsmodelle jedoch ein praktisches, zugängliches Werkzeug für praktizierende Ingenieure darstellen, um Strukturen zu entwerfen, die gummierte Silikastaubbetone enthalten.