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

Stel je een bouwplaats voor waar het zware, trage werk van het storten van beton in houten bekisting wordt vervangen door een enorme, nauwkeurige printer die lagen materiaal neerlegt om een muur, een brug of zelfs een huis te bouwen. Dit is de belofte van 3D-geprint beton, een technologie die afval kan verminderen, kosten kan verlagen en de behoefte aan grote groepen geschoolde arbeid kan verminderen. Maar er is een addertje onder het gras. Het beton dat in deze printers wordt gebruikt, gedraagt zich anders dan het beton dat in traditionele bekistingen wordt gestort. Het stroomt, stolt en verstevigt op unieke manieren, afhankelijk van hoe het is gemengd en hoe het is geprint. Om deze structuren veilig en betrouwbaar te maken, moeten ingenieurs precies weten hoe sterk ze zullen zijn voordat ze gebouwd worden. De uitdaging is dat de sterkte van dit materiaal afhangt van een duizelingwekkend aantal factoren: het type cement, de hoeveelheid water, het soort en de hoeveelheid minuscule vezels die erin zijn gemengd, en zelfs de richting waarin de machine de lagen legt. Het proberen te achterhalen van het perfecte recept door honderden batches in een laboratorium te mengen en te testen, is traag, duur en laat ingenieurs vaak tasten in het duister.

Een team van onderzoekers heeft dit probleem aangepakt door computers te leren van eerdere experimenten. Ze verzamelden gegevens uit 299 verschillende tests gevonden in de wetenschappelijke literatuur, die een grote verscheidenheid aan 3D-geprinte betonmengsels besloegen, inclusend verschillende vezels zoals staal, glas en kunststof. Ze voedden deze informatie aan vier verschillende soorten computerleerprogramma's, elk ontworpen om patronen in complexe gegevens te vinden. Het doel was om te zien welk programma de sterkte van het beton het beste kon voorspellen op basis van de ingrediënten en de printcondities. De onderzoekers wilden niet alleen een computer die het juiste getal raadde; ze wilden begrijpen waarom de computer die gok maakte. Ze gebruikten speciale hulpmiddelen om de lagen van de besluitvorming van de computer af te pellen, om te kijken welke ingrediënten het belangrijkst waren en hoe ze met elkaar interageerden. Deze aanpak, bekend als uitlegbare kunstmatige intelligentie (explainable AI), zorgt ervoor dat de computer geen "black box" is die antwoorden geeft, maar een transparant instrument dat ingenieurs kunnen vertrouwen en begrijpen.

De studie toonde aan dat één specifiek type leerprogramma, genaamd Natural Gradient Boosting, de meest nauwkeurige voorspeller was. Bij het testen op nieuwe gegevens die de computer nog nooit eerder had gezien, voorspelde dit programma de sterkte van het beton met een hoge mate van precisie, waarbij de werkelijke waarde gemiddeld slechts een kleine marge miste. Een ander programma, genaamd CatBoost, was ook uitstekend, vooral in het minimaliseren van de gemiddelde grootte van de fouten. De computermodellen leerden dat de meest cruciale factoren die de sterkte bepaalden de verhouding tussen water en bindmiddel waren, de totale hoeveelheid water, de aanwezigheid van silica fume (een fijn poeder dat beton versterkt) en het gebruik van superplastificeerders (chemicaliën die het mengsel beter vloeibaar maken). De modellen bevestigden ook dat de richting waarin het beton wordt belast — of de druk nu parallel aan de geprinte lagen of loodrecht op de lagen wordt uitgeoefend — het resultaat aanzienlijk verandert, een fenomeen dat bekend staat als anisotropie.

Cruciaal was dat de onderzoekers ontdekten dat de relatie tussen de ingrediënten en de sterkte niet eenvoudig of lineair is. De computermodellen onthulden dat het toevoegen van meer van een bepaald ingrediënt helpt tot op een bepaald punt, waarna het voordeel stopt of zelfs omkeert. Zo verandert bijvoorbeeld het effect van de lengte en diameter van de vezels afhankelijk van de andere ingrediënten in het mengsel. De modellen toonden ook aan dat de leeftijd van het beton ertoe doet, waarbij de sterkte in de loop der tijd toeneemt maar uiteindelijk stabiliseert. Door deze geavanceerde leermiddelen te gebruiken, waren de onderzoekers in staat om deze complexe, niet-lineaire gedragingen in kaart te brengen die zeer moeilijk te detecteren zouden zijn door alleen naar ruwe cijfers te kijken. Ze ontdekten dat de voorspellingen van de computer geen geluksvogels waren, maar dat de logica achter hen overeenkwam met wat ingenieurs al weten over hoe beton werkt, wat de resultaten een solide fundament van vertrouwen gaf.

Om deze technologie bruikbaar te maken voor dagelijkse ingenieurs die misschien niet kunnen programmeren, heeft het team een eenvoudig, interactief computerprogramma met een visuele interface gebouwd. Dit hulpmiddel stelt een gebruiker in staat om de specifieke details van hun mengsel in te typen — zoals de hoeveelheid water, cement en vezel die zij van plan zijn te gebruiken — en direct een voorspelling van de sterkte van het beton te ontvangen. In tegen tegenstelling tot oudere hulpmiddelen die slechts één getal geven, biedt dit nieuwe programma ook een reeks waarschijnlijke uitkomsten, waarbij wordt getoond hoe zeker of onzeker de voorspelling is. Het benadrukt zelfs welk specifiek ingrediënt de sterkte omhoog of omlaag stuwt voor dat specifieke mengsel. Dit betekent dat een ingenieur snel tientallen verschillende recepten op een scherm kan testen om te zien welke er veelbelovend uitzien, voordat er ooit een enkele emmer beton wordt gemengd in een laboratorium.

De onderzoekers merken er zorgvuldig bij op dat, hoewel dit hulpmiddel krachtig is voor planning en screening, het geen vervanging is voor fysieke tests. De computer is een gids, geen definitieve autoriteit. De modellen zijn gebaseerd op gegevens van specifieke soorten beton en printmethoden, en het hulpmiddel is ontworpen om de beste kandidaten voor verder onderzoek te helpen selecteren, niet om een gebouw voor constructie te certificeren. De studie concludeert dat door het combineren van hoge voorspellende nauwkeurigheid met duidelijke verklaringen van hoe de voorspelling tot stand kwam, dit nieuwe kader een praktische manier biedt om de ontwikkeling van 3D-geprint beton te versnellen. Het verandert een proces dat voorheen vereiste dat er eindeloos werd geëxperimenteerd via trial-and-error, in een efficiëntere, op gegevens gebaseerde reis, die helpt de toekomst van geautomatiseerde constructie dichter bij de realiteit te brengen.