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

O concreto é o material de construção mais amplamente utilizado na Terra, formando o esqueleto de nossas cidades, pontes e estradas. No entanto, o processo de fabricação do cimento que une esse concreto é um grande contribuinte para as mudanças climáticas globais, sendo responsável por aproximadamente oito por cento de todas as emissões de dióxido de carbono. A indústria está sob imensa pressão para encontrar uma maneira de construir sem aquecer o planeta, levando cientistas a explorar um tipo específico de aglutinante de baixo carbono conhecido como cimento de argamassa de calcário e argila calcinada. Este material é promissor porque substitui uma grande parte do ingrediente de cimento tradicional, intensivo em energia, por dois materiais abundantes e naturalmente existentes: argila que foi cozida a temperaturas relativamente baixas e calcário triturado. Contudo, criar uma mistura que seja ao mesmo tempo forte o suficiente para sustentar um edifício e baixa o suficiente em carbono para ajudar o meio ambiente é um quebra-cabeça complexo. A resistência deste novo cimento não depende de um único ingrediente, mas de uma dança delicada e não linear de interações entre a argila, o calcário, o cimento tradicional restante e uma pequena quantidade de gesso, todos reagindo ao longo do tempo à medida que o material endurece.

Durante décadas, engenheiros confiaram em regras práticas simples para projetar essas misturas, mas esses métodos tradicionais têm dificuldade em capturar a química intrincada deste sistema multicomponente. Eles frequentemente falham em prever exatamente como a alteração da quantidade de um ingrediente afetará a resistência final, levando a misturas que são ou muito fracas ou desnecessariamente pesadas em emissões de carbono. Para resolver isso, uma equipe de pesquisadores da Universidade Lanzhou Jiaotong e da Universidade de Cardiff recorreu a uma abordagem diferente: eles deixaram um computador aprender as regras do jogo estudando um conjunto abrangente de dados de resultados experimentais. Em vez de forçar os dados em uma fórmula simples, eles treinaram um modelo de aprendizado de máquina sofisticado para reconhecer os padrões ocultos na forma como esses ingredientes interagem. Os pesquisadores utilizaram um tipo específico de algoritmo chamado XGBoost, que é excelente em encontrar relações complexas, e o refinaram usando um novo método de otimização inspirado nas estratégias de defesa do porco-espinho-cristado. Essa inspiração biológica ajudou o computador a evitar ficar preso em soluções locais, permitindo que explorasse uma vasta gama de possibilidades para encontrar as melhores configurações possíveis para o modelo.

O resultado foi uma ferramenta digital altamente precisa, capaz de prever a resistência de um cimento de argamassa de calcário e argila calcinada com notável precisão. Quando testado contra dados do mundo real, o modelo previu corretamente o resultado em quase 94 por cento dos casos, superando amplamente outros métodos de previsão padrão. Mais importante ainda, o modelo não atuou apenas como uma "caixa preta" que fornece um número; os pesquisadores utilizaram técnicas de análise avançadas para compreender exatamente por que o modelo fez suas previsões. Eles descobriram que a resistência do cimento não é impulsionada apenas pela quantidade de cimento tradicional utilizada, mas é fortemente influenciada pela área superficial específica das partículas de cimento e pela quantidade precisa de gesso adicionada. A análise revelou que o gesso atua como um regulador químico crítico; pouco dele leva a reações instáveis, enquanto o excesso pode fazer com que o material se expanda e rache posteriormente. O computador identificou um "ponto ideal" para a mistura: uma combinação contendo entre 40 e 55 por cento de cimento tradicional, 25 a 35 por cento de argila calcinada, 15 a 25 por cento de calcário e 3 a 5 por cento de gesso.

Dentro desses intervalos específicos, os pesquisadores descobriram que o material atinge sua resistência máxima enquanto minimiza sua pegada ambiental. Ao deslocar a receita para essas proporções otimizadas, o novo cimento produz entre 41,9 e 53,2 por cento menos dióxido de carbono do que o cimento Portland comum tradicional. Esta redução é significativa porque provém do próprio processo de produção, evitando a cocção de alta temperatura exigida para o cimento padrão. Para tornar esta descoberta útil para engenheiros no campo, a equipe construiu um sistema de software simples e interativo que permite aos usuários inserir sua resistência alvo e tempo de cura, recebendo em troca um design de mistura otimizado instantaneamente. Embora o estudo tenha sido conduzido em amostras de laboratório e exija testes adicionais com agregados do mundo real e condições de construção, o trabalho fornece um caminho robusto e baseado em dados para a indústria da construção. Ele demonstra que, ao combinar a ciência experimental com a análise inteligente de dados, é possível projetar materiais de construção que sejam tanto mais fortes quanto mais limpos, oferecendo um passo tangível em direção a um futuro mais sustentável para a infraestrutura global.