⚡ electrical engineering

Optimization of the Ternary Concrete Mix Design using Gaussian Process Regression

Questo studio dimostra che la regressione dei processi gaussiani è un modello predittivo superiore per l'ottimizzazione delle prestazioni meccaniche di miscele di calcestruzzo ternario sostenibili utilizzando lo scoria d'altoforno granulata e la polvere di calcare, identificando una miscela con il 30% di GGBFS e il 15% di LSP come l'equilibrio ottimale delle proprietà di resistenza riducendo al contempo le emissioni di carbonio.

Autori originali: Shishir C. Roy, James Wilde, Yoo J. Kim

Pubblicato 2026-07-01

📖 4 min di lettura☕ Lettura da pausa caffè

CC BY 4.0

Autori originali: Shishir C. Roy, James Wilde, Yoo J. Kim

Articolo originale sotto licenza CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo

Immaginate di essere un maestro chef che cerca di creare la ricetta perfetta per un cemento ecosostenibile. Tradizionalmente, il cemento si basa molto sul Cemento Portland Ordinario (OPC), che è come l'ingrediente principale di una torta, ma con un enorme costo ambientale: produrlo rilascia una quantità massiccia di CO2, simile a una fabbrica che emette fumo.

Per risolvere questo problema, i ricercatori in questo articolo hanno deciso di sostituire parte di questo cemento "fumoso" con altri due ingredienti: l'Escoria d'Altoforno Granulata (GGBFS) e la Polvere di Calcare (LSP). Pensate alla GGBFS come a una spezia che cuoce lentamente e diventa più forte col tempo, e alla Polvere di Calcare come a una farina fine che aiuta la miscela ad aderire nelle prime fasi.

Ecco cosa hanno fatto e cosa hanno scoperto, spiegato in modo semplice:

1. L'Esperimento: Mescolare la "Torta di Cemento"

Il team ha creato 25 ricette diverse. Hanno mantenuto la stessa quantità di acqua per tutte le miscele, ma hanno cambiato il rapporto tra i due nuovi ingredienti:

GGBFS: Hanno provato a sostituire dallo 0% al 40% del cemento.
Polvere di Calcare: Hanno provato a sostituire dallo 0% al 20% del cemento.

Hanno realizzato cilindri e travi con queste miscele e hanno aspettato che si asciugassero e indurissero, testandoli a 7, 14, 28 e 90 giorni per vedere quanto fossero resistenti.

2. I Risultati: Cosa ha funzionato meglio?

Il vincitore "Lento e Costante": La miscela con il 30% di GGBFS e nessuna Polvere di Calcare si è rivelata la più resistente dopo 90 giorni. Era persino più forte (di circa il 7%) rispetto alla miscela tradizionale di solo cemento. È come uno stufato cotto lentamente che ha un sapore migliore quanto più tempo resta lì.
Il vincitore "Equilibrato": La miscela con il 15% di Polvere di Calcare e il 30% di GGBFS è stata la più completa. Non ha vinto solo in una categoria; si è comportata molto bene in termini di resistenza, resistenza alla fessurazione (resistenza alla trazione) e resistenza alla flessione (resistenza alla flessione).
L'Avvertimento: Se usavano troppa Polvere di Calcare (oltre il 20%), il cemento diventava più debole. Era come aggiungere troppa farina a una torta; semplicemente non riusciva a stare insieme bene.

3. La "Sfera di Cristallo": Prevedere il Futuro con l'IA

I ricercatori non volevano solo testare queste 25 miscele; volevano un modo per prevedere la resistenza di qualsiasi miscela senza dover aspettare 90 giorni per testarla. Per fare questo, hanno usato due tipi di "chef IA" (modelli informatici):

Il modello "Regressione dei Processi Gaussiani" (GPR): Pensate a questo modello come a un meteorologo prudente. Non si limita a indovinare il tempo (o la resistenza del cemento); vi dice anche quanto è sicuro della sua previsione. Se non ha visto molti punti dati per una specifica ricetta, dice: "Non sono sicuro al 100%, ecco un intervallo di possibilità".
- Risultato: Questo è stato il miglior modello per prevedere la resistenza alla compressione (quanto peso può sopportare il cemento). Era accurato e forniva ai ricercatori un "margine di sicurezza" (intervallo di incertezza) che è fondamentale per costruire strutture sicure.
Il modello "Rete Neurale Artificiale" (ANN): Pensate a questo modello come a un artista che scova schemi. Guarda gli ingredienti e cerca di trovare connessioni complesse e nascoste.
- Risultato: Era discreto nel prevedere la resistenza alla compressione, ma sorprendentemente, era stato migliore del modello GPR nel prevedere la resistenza alla trazione e alla flessione (resistenza alla fessurazione e alla piegatura). Ciò suggerisce che la relazione tra ingredienti e resistenza alla flessione è così complessa che il modello "artista" è riuscito a scovare schemi che il "meteorologo" ha mancato.

4. La Grande Conclusione

Il documento conclude che:

Si può produrre un cemento forte ed ecosostenibile sostituendo parte del cemento con GGBFS e un po' di Polvere di Calcare.
La ricetta "Equilibrata" (15% Polvere di Calcare, 30% GGBFS) è il punto di equilibrio ideale per le esigenze generali dell'edilizia.
L'Apprendimento Automatico (Machine Learning) è uno strumento potente. In particolare, il modello GPR è raccomandato come strumento primario per gli ingegneri perché non solo predice la resistenza, ma dice anche quanto possono fidarsi di tale previsione. Questo è vitale per la sicurezza.

In breve, i ricercatori hanno trovato un modo per rendere il cemento più verde senza sacrificare la resistenza, e hanno costruito uno smart tool informatico che aiuta gli ingegneri a progettare queste nuove miscele con fiducia.

Sintesi Tecnica: Ottimizzazione della Progettazione di Miscele di Calcestruzzo Ternario Utilizzando la Regressione dei Processi Gaussiani

Definizione del Problema
La produzione di Cemento Portland Ordinario (OPC) è responsabile di circa il 7–8% delle emissioni globali di CO₂, rendendo necessaria lo sviluppo di alternative per calcestruzzi sostenibili e a basse emissioni di carbonio. Sebbene i materiali cementizi supplementari (SCM), come l'Altoforno Granulato di Acciaia (GGBFS) e la Polvere di Calcare (LSP), offrano percorsi praticabili per ridurre il contenuto di clinker, il loro uso combinato in sistemi ternari blendati presenta interazioni complesse e non lineari. Il GGBFS migliora la resistenza a lungo termine attraverso l'attività idraulica latente, ma spesso ritarda lo sviluppo della resistenza nelle prime fasi. Al contrario, l'LSP agisce come agente di nucleazione e filler, potenzialmente compensando le perdite di resistenza precoce, sebbene una sostituzione eccessiva possa diluire le fasi cementizie e ridurre le prestazioni meccaniche. La modellazione empirica convenzionale fatica a catturare questi effetti sinergici e l'inerente rumore sperimentale in dataset di piccole o medie dimensioni. Inoltre, esiste una lacuna nell'applicazione di metodi di apprendimento automatico probabilistici per predire simultaneamente molteplici proprietà meccaniche per sistemi ternari GGBFS-LSP.

Metodologia
Questo studio ha impiegato un approccio duplice combinando la caratterizzazione sperimentale con l'avanzata modellazione di machine learning:

Programma Sperimentale: Venticinque distinte miscele di calcestruzzo ternario sono state preparate con un rapporto acqua-legante costante di 0,40. Le miscele variavano i livelli di sostituzione di GGBFS dallo 0 al 40% e i livelli di sostituzione di LSP dallo 0 al 20% in massa rispetto al legante. I provini sono stati stagionati a 23 ± 2 °C e testati a 7, 14, 28 e 90 giorni per resistenza a compressione, resistenza a trazione diretta e resistenza a flessione.
Modellazione di Machine Learning: Sono stati sviluppati e confrontati due algoritmi:
- Regressione dei Processi Gaussiani (GPR): Un metodo bayesiano non parametrico selezionato per la sua capacità di fornire sia predizioni puntuali che stime di incertezza (intervalli di confidenza), rendendolo adatto per dati sperimentali rumorosi. Il modello ha utilizzato il contenuto di cemento, la % di GGBFS, la % di LSP e l'età di stagionatura come caratteristiche di input.
- Rete Neurale Artificiale (ANN): Un percettrone multistrato (MLP) con tre strati nascosti (100, 50 e 25 neuroni) utilizzando l'attivazione ReLU, addestrato con l'ottimizzatore Adam e regolarizzazione L2 per prevenire l'overfitting.
Validazione: Entrambi i modelli sono stati valutati tramite cross-validazione a 5 fold. L'oversampling sintetico è stato evitato per preservare l'integrità delle relazioni fisiche tra resistenza e miscela.

Risultati Chiave

Prestazioni Meccaniche:
- Resistenza a Compressione: La miscela binaria con il 30% di GGBFS e lo 0% di LSP (B0G30) ha raggiunto la massima resistenza a compressione a 90 giorni di 48,75 MPa, superando il controllo OPC del 7,0%. Le miscele ternarie con il 5–15% di LSP e il 20–40% di GGBFS hanno generalmente mostrato prestazioni migliorate grazie alla formazione della fase carboalluminata. Tuttavia, contenuti di LSP superiori al 20% hanno causato riduzioni della resistenza in tutte le età.
- Resistenza a Trazione Diretta: La resistenza è generalmente migliorata con l'aumento del contenuto di GGBFS. La miscela ternaria B10G40 (10% LSP, 40% GGBFS) ha raggiunto la massima resistenza a trazione a 90 giorni (3,58 MPa).
- Resistenza a Flessione: Mentre la resistenza a flessione nelle prime fasi era massima nelle miscele binarie di GGBFS, le prestazioni a lungo termine sono state ottimizzate nelle miscele ternarie. La miscela B10G40 ha raggiunto 6,31 MPa a 90 giorni.
Prestazioni del Modello:
- Resistenza a Compressione: Il GPR ha superato significativamente l'ANN, raggiungendo un $R^2$ di 0,848 (MAE = 1,755 MPa, RMSE = 2,289 MPa) rispetto all' $R^2$ di 0,564 dell'ANN.
- Resistenza a Trazione e Flessione: L'accuratezza predittiva è stata inferiore per entrambi i modelli a causa della maggiore dispersione sperimentale. In particolare, l'ANN ha superato il GPR per queste proprietà ( $R^2$ = 0,440 per la trazione e 0,323 per la flessione), suggerendo che le sue funzioni di attivazione non lineari catturino meglio le interazioni complesse che governano queste specifiche proprietà.
- Quantificazione dell'Incertezza: Un vantaggio distinto del GPR è stato dimostrato dalla sua capacità di generare intervalli di confidenza al 95% che si allargano nelle regioni con dati scarsi (ad esempio, resistenza a flessione con $n=100$ ), fornendo metriche di affidabilità critiche per la progettazione strutturale.

Contributi Chiave

Caratterizzazione Sperimentale: Ha fornito un dataset completo di 25 miscele ternarie GGBFS-LSP valutate attraverso quattro età di stagionatura per tre proprietà meccaniche.
Sviluppo del Modello: Ha sviluppato modelli GPR individuali per ogni proprietà meccanica con quantificazione dell'incertezza integrata, una capacità precedentemente non riportata per questo specifico sistema ternario.
Analisi Comparativa: Ha confrontato sistematicamente GPR e ANN, evidenziando che, mentre il GPR è superiore per la predizione della resistenza a compressione e la valutazione dell'affidabilità, l'ANN può essere più efficace per predire le proprietà di trazione e flessione in questo contesto.
Ottimizzazione: Ha identificato quattro miscele ottimali basate su specifici criteri di prestazione:
- B0G30: Massima resistenza a compressione a lungo termine.
- B0G40: Massima resistenza a trazione a 28 giorni.
- B15G30: Prestazioni più equilibrate tra tutte e tre le proprietà.
- B15G10: Massima resistenza a compressione a 28 giorni.

Significatività e Rivendicazioni
L'articolo afferma che i risultati forniscono una guida pratica per la progettazione di sistemi di leganti ternari sostenibili, dimostrando che una moderata sostituzione con LSP (5–15%) combinata con GGBFS può bilanciare le prestazioni precoci e a lungo termine riducendo al contempo l'impronta di carbonio. Lo studio sottolinea il valore complementare di GPR e ANN: il GPR è raccomandato come modello primario per la resistenza a compressione grazie ai suoi limiti probabilistici di incertezza essenziali per la progettazione basata sull'affidabilità, mentre l'ANN mostra promesse nel catturare le complessità non lineari dei comportamenti di trazione e flessione. Gli autori concludono che, sebbene l'accuratezza predittiva per la resistenza a trazione e flessione rimanga limitata dalla dimensione del dataset e dalla dispersione sperimentale, l'integrazione del GPR offre un quadro robusto per affrontare le incertezze nell'ottimizzazione delle miscele di calcestruzzo. Si suggerisce come lavoro futuro l'espansione dei dataset ed esplorazione di GPR multi-output per la predizione simultanea di proprietà multiple.

1. L'Esperimento: Mescolare la "Torta di Cemento"

2. I Risultati: Cosa ha funzionato meglio?

3. La "Sfera di Cristallo": Prevedere il Futuro con l'IA

4. La Grande Conclusione

Articoli simili