Data-driven prediction and low-carbon optimization of limestone calcined clay cement compressive strength using CPO-XGBoost

Beton is het meest gebruikte bouwmateriaal op aarde en vormt het skelet van onze steden, bruggen en wegen. Toch is het proces voor het maken van het cement dat dit beton samenbindt, een enorme bijdrager aan de wereldwijde klimaatverandering, verantwoordelijk voor ongeveer acht procent van alle koolstofdioxide-emissies. De industrie staat onder enorme druk om een manier te vinden om te bouwen zonder de planeet te verhitten, wat wetenschappers ertoe heeft aangezet om een specifiek type koolstofarm bindmiddel te onderzoeken, bekend als kalksteen-gekalsineerd kleicement. Dit materiaal is veelbelovend omdat het een groot deel van het traditionele, energie-intensieve cementingrediënt vervangt door twee overvloedige, natuurlijk voorkomende materialen: klei die relatief lage temperaturen heeft ondergaan tijdens het bakken en vermalen kalksteen. Het creëren van een mengsel dat zowel sterk genoeg is om een gebouw te dragen als laag genoeg in koolstof om het milieu te helpen, is echter een complexe puzzel. De sterkte van dit nieuwe cement hangt niet af van één enkel ingrediënt, maar van een delicate, niet-lineaire dans van interacties tussen de klei, de kalksteen, het resterende traditionele cement en een kleine hoeveelheid gips, die allemaal met elkaar reageren terwijl het materiaal uithardt.

Decennialang vertrouwden ingenieurs op eenvoudige vuistregels om deze mengsels te ontwerpen, maar deze traditionele methoden hebben moeite om de ingewikkelde chemie van dit multicomponent-systeem te vatten. Ze slagen er vaak niet in om precies te voorspellen hoe het veranderen van de hoeveelheid van één ingrediënt de uiteindelijke sterkte zal beïnvloeden, wat leidt tot mengsels die ofwel te zwak zijn of onnodig zwaar zijn qua koolstofemissies. Om dit op te lossen, stapte een team onderzoekers van de Lanzhou Jiaotong Universiteit en Cardiff Universiteit over op een andere aanpak: ze lieten een computer de regels van het spel leren door een uitgebreide dataset van experimentele resultaten te bestuderen. In plaats van de gegevens in een eenvoudige formule te dwingen, trainden ze een geavanceerd machine learning-model om de verborgen patronen te herkennen in hoe deze ingrediënten met elkaar interageren. De onderzoekers gebruikten een specifiek type algoritme genaamd XGBoost, dat uitstekend is in het vinden van complexe relaties, en ze verfijnden het met een nieuwe optimalisatiemethode geïnspireerd door de verdedigingsstrategieën van de gekamde stekelvos. Deze biologische inspiratie hielp de computer om niet vast te komen zitten in lokale oplossingen, waardoor het een breed scala aan mogelijkheden kon verkennen om de absolute beste instellingen voor het model te vinden.

Het resultaat was een zeer nauwkeurige digitale tool die in staat is de sterkte van kalksteen-gekalsineerd kleicement met opmerkelijke precisie te voorspellen. Wanneer getest tegenover echte wereldgegevens, voorspelde het model de uitkomst in bijna 94 procent van de gevallen, waarmee het andere standaard voorspellingsmethoden ruim overtrof. Belangrijker nog, het model fungeerde niet alleen als een 'black box' die een getal gaf; de onderzoekers gebruikten geavanceerde analysetechnieken om precies te begrijpen waarom het model zijn voorspellingen deed. Ze ontdekten dat de sterkte van het cement niet uitsluitend wordt gedreven door de hoeveelheid traditioneel cement die wordt gebruikt, maar sterk wordt beïnvloed door het specifieke specifieke oppervlak van de cementdeeltjes en de precieze hoeveelheid toegevoegde gips. De analyse onthulde dat gips fungeert als een cruciale chemische regulator; te weinig leidt tot instabiele reacties, terwijl te veel kan leiden tot expansie en scheuren van het materiaal op een later moment. De computer identificeerde een "sweet spot" voor het mengsel: een blend bestaande uit tussen de 40 en 55 procent traditioneel cement, 25 tot 35 procent gekalsineerde klei, 15 tot 25 procent kalksteen en 3 tot 5 procent gips.

Binnen deze specifieke bereiken ontdekten de onderzoekers dat het materiaal zijn maximale sterkte bereikt terwijl de ecologische voetafdruk wordt geminimaliseerd. Door het recept te verschuiven naar deze geoptimaliseerde proporties, produceert het nieuwe cement tussen de 41,9 en 53,2 procent minder koolstofdioxide dan traditioneel gewoon Portlandcement. Deze reductie is aanzienlijk omdat deze voortkomt uit het productieproces zelf, waarbij de hoge-temperatuur bakprocessen die nodig zijn voor standaardcement worden vermeden. Om deze ontdekking bruikbaar te maken voor ingenieurs in het veld, bouwde het team een eenvoudig, interactief softwaresysteem waarmee gebruikers hun gewenste sterkte en uithardingstijd kunnen invoeren, waarna zij direct een geoptimaliseerd mengselontwerp ontvangen. Hoewel de studie werd uitgevoerd op laboratoriummonsters en verdere tests vereist met echte aggregaten en constructieomstandigheden, biedt het werk een robuust, datagestuurd pad voor de bouwsector. Het demonstreert dat door experimentele wetenschap te combineren met intelligente data-analyse, het mogelijk is om bouwmaterialen te ontwerpen die zowel sterker als schoner zijn, wat een tastbare stap is naar een meer duurzame toekomst voor de wereldwijde infrastructuur.