⚡ electrical engineering

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

Deze studie onderzoekt de mechanische prestaties van met rubber verrijkt silicafumebeton door middel van experimentele testen en machine learning, waarbij wordt aangetoond dat hoewel rubberpoeder en silicafume specifieke eigenschappen verbeteren en bestaande ontwerpvoorschriften de sterkte onderschatten, geavanceerde voorspellende modellen zoals kunstmatige neurale netwerken een superieure nauwkeurigheid bieden voor het schatten van de druk- en buigsterkte ter ondersteuning van duurzame constructie.

Oorspronkelijke auteurs: M. Shariq, A. Fuzail Hashmi, M. Ayaz, M. Tanveer, M. Asif Ansari

Gepubliceerd 2026-06-25

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: M. Shariq, A. Fuzail Hashmi, M. Ayaz, M. Tanveer, M. Asif Ansari

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat de bouwsector een enorme bakkerij is. Jarenlang hebben ze "betonkoeken" gebakken met standaard ingrediënten: cement, zand en stenen. Maar de wereld staat voor twee grote problemen: een berg oude banden die zich opstapelt in stortplaatsen (die giftig en moeilijk afbreekbaar zijn) en een behoefte om minder cement te gebruiken om de planeet te sparen.

Dit onderzoekspaper is als een team van bakkers dat probeert beide problemen tegelijk op te lossen door een nieuw, milieuvriendelijk recept uit te vinden. Ze wilden zien wat er gebeurt als ze een deel van het zand vervangen door vergruisd rubberpoeder (van oude banden) en een deel van het cement vervangen door siliciumstof (een fijn industrieel bijproduct).

Hier is een eenvoudige uitsplitsing van wat ze deden, wat ze vonden en hoe ze computers gebruikten om de resultaten te voorspellen.

1. Het Experiment: Het mengen van de "Eco-Koek"

De onderzoekers maakten 16 verschillende batches beton.

Het Rubber: Ze vervingen het zand door rubberpoeder in hoeveelheden variërend van 0% (gewoon beton) tot maar liefst 35%.
Het Geheime Ingrediënt: Voor de helft van deze batches voegden ze 10% siliciumstof toe aan het cementmengsel.
De Test: Ze bakten deze mengsels in blokken en wachtten 7, 28 en 56 dagen. Daarna vermaalden ze de blokken om te zien hoe sterk ze waren, bogen ze ze om te zien hoeveel ze konden buigen, en stuurden ze geluidsgolven door de blokken (zoals een echo bij een baby) om de interne kwaliteit te controleren.

2. De Resultaten: Wat er gebeurde?

Denk aan beton als een spons. Wanneer je rubber toevoegt, is dat alsoak je zachte, veerkrachtige sponsjes in een harde baksteen plaatst.

Het Rubber-effect: Naarmate ze meer rubber toevoegden, werd het beton zachter. Het werd minder goed in staat om zware gewichten te dragen (de druksterkte nam af). De geluidsgolven reisden er langzamer doorheen, wat betekende dat het materiaal minder dicht was en meer kleine luchtzakjes bevatte.
- Echter, er was een ideaal punt. Wanneer ze slechts een heel klein beetje rubber toevoegden (5%), werd het beton juist beter in buigen zonder te breken. Het was alsook een beetje rubber toevoegen aan een broze koekje om het iets taaier te maken in plaats van dat het versplintert.
Het Siliciumstof-effect: Dit was de gamechanger. Wanneer ze siliciumstof toevoegden, fungeerde dit als een superfijn vulmiddel. Het stopte de kleine gaatjes die door het rubber waren achtergelaten en plakte alles steviger aan elkaar.
- Het Resultaat: De siliciumstof verbeterde de sterkte van elk mengsel, zelfs die met veel rubber. Het veranderde het "zachte" rubber-beton weer in iets veel sterkers en duurzamers.

3. Het Probleem met Oude Regels

Ingenieurs gebruiken meestal "regelboeken" (ontwerpcodes) om te raden hoe sterk een nieuw type beton zal zijn. De onderzoekers testten hun nieuwe rubber-beton tegen deze oude regelboeken.

De Bevinding: De regelboeken waren fout. Ze voorspelden consequent dat de sterkte veel lager zou zijn dan deze in werkelijkheid was. Het is alsof een weerman altijd een sneeuwstorm voorspelt terwijl het eigenlijk maar een lichte sneeuwbui is. De oude regels hielden geen rekening met de unieke manier waarop rubber en siliciumstof samenwerken.

4. De Oplossing: Computers leren voorspellen

Omdat de oude regelboeken faalden, richtten de onderzoekers zich op Machine Learning (ML). Stel je voor dat je een slimme robot traint als een "sterktevoorspeller".

De Training: Ze voedden de robot met gegevens uit hun 16 experimenten. Ze lieten de robot zien: "Hier is de hoeveelheid rubber, hier is de siliciumstof, en dit is de sterkte die we kregen."
De Wedstrijd: Ze testten zes verschillende soorten "robotbreinen" (algoritmen) om te zien welke het beste leerde:
1. Artificial Neural Network (ANN): Een breinachtig systeem dat patronen leert.
2. Regression Trees & Boosted Trees: Systemen die beslissingen nemen zoals een stroomdiagram.
3. Support Vector Machines & anderen: Wiskundige modellen die lijnen trekken om gegevens te scheiden.
De Winnaar: Het Artificial Neural Network (ANN) was de kampioen. Het was het beste in het begrijpen van de complexe, niet-lineaire relatie tussen de ingrediënten en de sterkte. Het maakte de minste fouten.

5. Het Eindinstrument: Een Nieuwe Formule

Hoewel de ANN de slimste was, wilden de onderzoekers iets praktisch maken dat ingenieurs op een bouwplaats kunnen gebruiken zonder een supercomputer nodig te hebben. Daarom gebruikten ze de gegevens om een eenvoudige wiskundige formule (een regressiemodel) te maken.

Deze formule stelt een ingenieur in staat om de leeftijd van het beton, de hoeveelheid rubber en de hoeveelheid siliciumstof in te voeren, waarna het nauwkeurig de sterkte voorspelt.
Ze gebruikten deze formule zelfs om te voorspellen hoe goed het beton zou buigen (buigsterkte) door alleen de sterkte te kennen uit een directe druktest.

Samenvatting

Dit paper is een succesverhaal van recycling en slimme wiskunde.

Recycling: Ze bewezen dat je afgedankte banden in beton kunt gebruiken, maar dat je voorzichtig moet zijn met de hoeveelheid.
Verbetering: Het toevoegen van siliciumstof herstelt de zwakte die door het rubber wordt veroorzaakt.
Voorspelling: Oude technische regels werken niet voor dit nieuwe mengsel, maar een nieuwe, eenvoudige formule (afgeleid van slim computergestuurd leren) kan de sterkte nauwkeurig voorspellen.

Het doel is niet alleen om "groen" beton te maken, maar om het voorspelbaar te maken, zodat bouwers erop kunnen vertrouwen en het veilig kunnen gebruiken in de echte constructie.

Technische Samenvatting: Mechanische Prestaties en Sterktevoorspelling van Rubberized Silica Fume Beton

Probleemstelling
De wereldwijde ophoping van afgedankte banden vormt een aanzienlijk milieuprobleem, waarbij traditionele verwerkingsmethoden zoals storting en verbranding leiden tot landdegradatie en toxische emissies. Hoewel de integratie van gerecycled bandenrubber in beton (rubberized concrete) een duurzame verwerkingsmethode biedt, resulteert dit doorgaans in een vermindering van de mechanische eigenschappen, met name de druksterkte, door de zwakke hechting tussen hydrofobe rubberdeeltjes en het cementpasta. Daartegenover staat dat silica fume (silicastof) bekend staat om het verbeteren van de betonsterkte door pozzolane reacties, maar het synergetische effect wanneer het gecombineerd wordt met variërende percentages rubberpoeder nog onvoldoende onderzocht is. Bovendien onderschatten bestaande empirische ontwerpcodes (IS, Euro-code, ACI, NZS) consequent de modulus van breuk voor rubberized concrete, wat wijst op een kritieke kloof in voorspellende instrumenten voor dit gemodificeerde materiaal.

Methodologie
De studie maakte gebruik van een tweeledige aanpak die experimenteel onderzoek combineerde met geavanceerde datagestuurde modellering:

Experimenteel Programma: Zestien betonmengsels werden geprepareerd met behulp van 43-grade Ordinary Portland Cement (OPC). Rubberpoeder (0% tot 35% naar gewicht van het fijne aggregaat) en silica fume (10% naar gewicht van het cement) werden gebruikt als gedeeltelijke vervangingen. De mengsels bevatten variaties met en zonder silica fume, waarbij specifieke water-cementratio's werden aangehouden (0,44 voor mengsels zonder SF, 0,49 voor mengsels met SF).
Testprotocol: Monsters werden gecureerd onder onderdompelde condities bij 27±2°C. Het onderzoek omvatte Ultrasonic Pulse Velocity (UPV) op 28 dagen om de kwaliteit te beoordelen, druksterkte op 7, 28 en 56 dagen, en buigtreksterkte op 28 dagen.
Voorspellende Modellering:
- Machine Learning (ML): Zes algoritmen—Artificial Neural Network (ANN), Regression Tree (RT), Boosted Tree (BT), Gaussian Process Regression (GPR), Support Vector Machine (SVM) en Linear Regression Model (LRM)—werden getraind op 80% van de dataset om de druksterkte te voorspellen.
- Regressieanalyse: Een multivariabele regressieanalyse werd uitgevoerd om analytische vergelijkingen te ontwikkelen voor de leeftijdsafhankelijke druk- en buigsterkte.
- Validatie: Experimentele resultaten werden vergeleken met empirische vergelijkingen uit belangrijke ontwerpcodes. Een sensitiviteitsanalyse werd uitgevoerd op het best presterende ML-model om de invloed van inputparameters te bepalen.

Belangrijkste Resultaten

Mechanische Prestaties:
- Druksterkte: Toenemend rubberpoedergehalte leidde tot een progressieve afname van de druksterkte. Het mengsel met 35% rubber (zonder silica fume) ervoer een reductie van 70% vergeleken met gewoon beton. De toevoeging van 10% silica fume mitigeerde dit verlies echter aanzienlijk en verbeterde de sterkte in alle rubberized mengsels.
- Buigtreksterkte: Er werd een unieke trend waargenomen waarbij het toevoegen van tot 5% rubberpoeder de buigsterkte met 6,2% verhoogde vanwege de elastische aard van rubber die breuk vertraagt. Voorbij 5% nam de sterkte af. Silica fume verbeterde de buigsterkte consistent, waarbij het 10% SF-mengsel een toename van 8,7% liet zien ten opzichte van gewoon beton.
- UPV: De pulssnelheid nam af van 4,70 km/s naar 3,75 km/s naarmate het rubbergehalte toenam van 0% naar 35%, wat duidt op een verschuiving van "uitstekende" naar "goede" betonkwaliteit, toegeschreven aan de lagere dichtheid en verhoogde porositeit.
Vergelijking met Ontwerpcodes: Alle geëvalueerde ontwerpcodes (IS, Euro-code, ACI, NZS) onderschatten de experimentele modulus van breuk aanzienlijk, met onderschattingen variërend van 27% tot 56%.
Modelprestaties:
- Onder de ML-modellen vertoonde het Artificial Neural Network (ANN) de superieure voorspellende nauwkeurigheid voor druksterkte, met een test $R^2$ van 0,9905 en de laagste RMSE (1,3793). Sensitiviteitsanalyse identificeerde cementgehalte als de meest invloedrijke parameter, terwijl rubberpoeder de minst invloedrijke was.
- Hoewel ANN een hoge nauwkeurigheid vertoonde, werd een multivariabel regressiemodel geselecteerd voor praktische toepassing vanwege de eenvoud en expliciete formulering. Dit model bereikte een $R^2$ van 0,98 voor de voorspelling van de druksterkte.
- Het regressiemodel werd succesvol uitgebreid om de buigtreksterkte te voorspellen op basis van de druksterktegegevens, waarbij alle datapunten binnen een foutmarge van ±10% vielen.

Betekenis en Bijdragen
Het artikel beweert een uitgebreid kader te bieden voor het duurzame gebruik van afvalrubber en silica fume in de bouw. De belangrijkste bijdragen zijn:

Synergetische Optimalisatie: Het aantonen dat het combineren van rubberpoeder (tot 5%) met silica fume de buigprestaties kan verbeteren terwijl een aanvaardbare druksterkte behouden blijft, wat een levensvatbaar pad biedt voor duurzame constructie.
Identificatie van Codebeperkingen: Het benadrukken van de tekortkomingen van huidige internationale ontwerpcodes bij het voorspellen van het gedrag van rubberized silica fume beton, wat nieuwe, materiaalspecifieke modellen noodzakelijk maakt.
Praktische Voorspellende Instrumenten: Het ontwikkelen en valideren van analytische modellen (Vergelijking 12 en Vergelijking 14) die ingenieurs in staat stellen om de leeftijdsafhankelijke druk- en buigtreksterkte nauwkeurig te schatten zonder afhankelijk te zijn van complexe computationele tools. Deze modellen vergemakkelijken de integratie van afvalmaterialen in de echte structurele ontwerppraktijk.
Milieu-impact: Het bieden van een technische basis voor het gebruik van afgedankte banden in beton, waarmee de problemen rond afvalbeheer worden aangepakt en het recyclen van industriële bijproducten wordt bevorderd.

De studie concludeert dat hoewel machine learning een hoge precisie in voorspelling biedt, de afgeleide analytische regressiemodellen een praktisch en toegankelijk instrument vormen voor de praktiserende ingenieur om constructies te ontwerpen die gebruikmaken van rubberized silica fume beton.