Explainable and Uncertainty-Aware Machine Learning for Compressive Strength Prediction of 3D-Printed Fiber-Reinforced Concrete

Immaginate un cantiere dove il lavoro pesante e lento di versare calcestruzzo in stampi di legno viene sostituato da una stampante gigante e precisa che stende strati di materiale per costruire un muro, un ponte o persino una casa. Questa è la promessa del calcestruzzo stampato in 3D, una tecnologia che potrebbe ridurre drasticamente gli sprechi, tagliare i costi e diminuire la necessità di grandi squadre di manodopera specializzata. Ma c'è un problema. Il calcestruzzo utilizzato in queste stampanti si comporta diversamente dal calcestruzzo versato in casseforme tradizionali. Esso scorre, si solidifica e si rinforza in modi unici a seconda di come viene miscelato e di come viene stampato. Per rendere queste strutture sicure e affidabili, gli ingegneri devono sapere esattamente quanto saranno resistenti prima che vengano costruite. La sfida è che la resistenza di questo materiale dipende da un numero vertiginoso di fattori: il tipo di cemento, la quantità di acqua, il tipo e la quantità di piccole fibre mescolate per rinforzarlo e persino la direzione in cui la macchina stende gli strati. Cercare di individuare la ricetta perfetta mescolando e testando centinaia di lotti in un laboratorio è un processo lento, costoso e spesso lascia gli ingegneri a tentativi.

Un team di ricercatori ha affrontato questo problema insegnando ai computer a imparare dagli esperimenti passati. Hanno raccolto dati da 299 diversi test tratti dalla letteratura scientifica, che coprivano una grande varietà di miscele di calcestruzzo stampato in 3D che includevano diverse fibre come acciaio, vetro e plastica. Hanno inserito queste informazioni in quattro diversi tipi di programmi di apprendimento informatico, ciascuno progettato per trovare schemi in dati complessi. L'obiettivo era vedere quale programma potesse prevedere meglio la resistenza finale del calcestruzzo in base ai suoi ingredienti e alle condizioni di stampa. I ricercatori non volevano solo un computer che indovinasse il numero corretto; volevano capire perché il computer facesse quella scelta. Hanno utilizzato strumenti speciali per scoperchiare gli strati del processo decisionale del computer, cercando di vedere quali ingredienti contassero di più e come interagissero tra loro. Questo approccio, noto come intelligenza artificiale spiegabile, assicura che il computer non sia una "scatola nera" che fornisce risposte, ma uno strumento trasparente che gli ingegneri possono comprendere e di cui possono fidarsi.

Lo studio ha rivelato che un tipo specifico di programma di apprendimento, chiamato Natural Gradient Boosting, era il predittore più accurato. Quando testato su nuovi dati che non aveva mai visto prima, questo programma ha previsto correttamente la resistenza del calcestruzzo con un alto grado di precisione, sbagliando il valore reale solo di un piccolo margine in media. Un altro programma, chiamato CatBoost, è stato altrettanto eccellente, in particolare nel minimizzare la dimensione media dei suoi errori. I modelli informatici hanno appreso che i fattori più critici che determinano la resistenza sono il rapporto tra acqua e polvere legante, la quantità totale di acqua, la presenza di fumo di silice (una polvere finissima che rinforza il calcestruzzo) e l'uso di superfluidificanti (prodotti chimici che rendono la miscela più fluida). I modelli hanno anche confermato che la direzione in cui il calcestruzzo viene caricato — ovvero se la pressione è applicata parallelamente agli strati stampati o perpendicolarmente ad essi — cambia significativamente il risultato, un fenomeno noto come anisotropia.

Fondamentalmente, i ricercatori hanno scoperto che la relazione tra gli ingredienti e la resistenza non è semplice o lineare. I modelli informatici hanno rivelato che l'aggiunta di un certo ingrediente aiuta fino a un certo punto, dopodiché il beneficio si ferma o addirittura si inverte. Ad esempio, l'effetto della lunghezza e del diametro delle fibre cambia a seconda degli altri ingredienti nella miscela. I modelli hanno anche mostrato che l'età del calcestruzzo è importante, con la resistenza che aumenta nel tempo per poi stabilizzarsi. Utilizzando questi strumenti di apprendimento avanzati, i ricercatori sono stati in grado di mappare questi comportamenti complessi e non lineari che sarebbero molto difficili da individuare guardando solo i numeri grezzi. Hanno scoperto che le previsioni del computer non erano solo colpi di fortuna; la logica alla base di esse era allineata con ciò che gli ingegneri già sanno sul funzionamento del calcestruzzo, conferendo ai risultati una solida base di fiducia.

Per rendere questa tecnologia utile per gli ingegneri comuni che potrebbero non saper programmare, il team ha costruito un programma informatico semplice e interattivo con un'interfaccia visiva. Questo strumento permette a un utente di inserire i dettagli specifici della propria miscela — come quanta acqua, cemento e fibra si intende utilizzare — e ricevere istantaneamente una previsione della resistenza del calcestruzzo. A differenza degli strumenti più vecchi che forniscono solo un singolo numero, questo nuovo programma fornisce anche un intervallo di risultati probabili, mostrando quanto sia certa o incerta la previsione. Esso evidenzia persino quale specifico ingrediente stia aumentando o diminuendo la resistenza per quella particolare miscela. Ciò significa che un ingegnere può testare rapidamente decine di diverse ricette su uno schermo per vedere quali sembrano promettenti prima ancora di mescolare un singolo secchio di calcestruzzo in un laboratorio.

I ricercatori tengono presente che, sebbene questo strumento sia potente per la pianificazione e lo screening, non è un sostituto dei test fisici. Il computer è una guida, non un'autorità finale. I modelli si basano su tipi specifici di calcestruzzo e metodi di stampa, e lo strumento è progettato per aiutare a restringere il campo ai candidati migliori per ulteriori studi, non per certificare un edificio per la costruzione. Lo studio conclude che, combinando l'alta precisione predittiva con spiegazioni chiare su come la previsione sia stata formulata, questo nuovo quadro offre un modo pratico per accelerare lo sviluppo del calcestruzzo stampato in 3D. Trasforma un processo che un tempo richiedeva infiniti tentativi ed errori in un percorso più efficiente e guidato dai dati, aiutando a portare più vicino alla realtà il futuro della costruzione automatizzata.