DOI: https://doi.org/10.1038/s41598-026-36197-8
PMID: https://pubmed.ncbi.nlm.nih.gov/41559170
تاريخ النشر: 2026-01-20
المؤلف: Hintsa G. Gebremariam وآخرون
الموضوع الرئيسي: أداء الخرسانة المعاد تدويرها
نظرة عامة
تبحث الدراسة في تطبيق تقنيات تعلم الآلة (ML) للتنبؤ بقوة الضغط للخرسانة التي تحتوي على مجاميع خرسانية معاد تدويرها كربونية (RCA). تجمع الدراسة وتحقق إحصائيًا من 108 نقطة بيانات تجريبية، مع الأخذ في الاعتبار متغيرات الإدخال المختلفة مثل نسبة الماء إلى الأسمنت، ونسب المجاميع، ودرجة الكربنة. تم تطوير وتحسين ستة خوارزميات ML قائمة على الانحدار—الانحدار المتعدد (MLR)، والانحدار الجبهي، والانحدار المتعدد الحدود، وشجرة القرار، والغابة العشوائية، وLightGBM—باستخدام التحقق المتقاطع 5-fold. أظهرت نماذج شجرة القرار وLightGBM أعلى دقة تنبؤية، حيث حققت خطأ جذر متوسط المربعات (RMSE) قدره 1.59 ميغاباسكال ومعامل تحديد (R²) قدره 0.991، بينما تبعت نموذج الغابة العشوائية عن كثب مع RMSE قدره 1.64 ميغاباسكال وR² قدره 0.991.
تشير النتائج إلى أن نماذج ML يمكن أن تتنبأ بفعالية بقوة الضغط للخرسانة المعاد تدويرها كربونية RCA، مما يوفر بديلاً أكثر كفاءة لطرق الاختبار التقليدية. تسلط الدراسة الضوء على الأداء المتفوق للنماذج القائمة على الأشجار مقارنة بأساليب الانحدار الكلاسيكية، حيث تعتبر نموذج الغابة العشوائية الأكثر موثوقية بسبب قدرته على التقاط العلاقات ذات المعنى. ومع ذلك، تعترف الدراسة بوجود قيود في مجموعة البيانات، بما في ذلك محدودية التباين في نسب الماء إلى الأسمنت والحاجة إلى ظروف تجريبية أوسع. يُوصى بإجراء أبحاث مستقبلية لاستكشاف معلمات إضافية واستخدام نماذج التعلم العميق لتعزيز الدقة التنبؤية والصلابة في نمذجة قوة الخرسانة.
مقدمة
تسلط المقدمة الضوء على الأهمية المتزايدة لإعادة تدوير الخرسانة وغيرها من المواد في البناء المستدام، مع التأكيد على دورها في التخفيف من الأثر البيئي لصناعة البناء والحفاظ على الموارد الطبيعية. توفر المجاميع الخرسانية المعاد تدويرها (RCAs)، المشتقة من الخرسانة المهدورة المسحوقة، مزايا بيئية واقتصادية ملحوظة، مثل تقليل استخدام مدافن النفايات وتوفير التكاليف. ومع ذلك، غالبًا ما تمتلك RCAs خصائص ميكانيكية ودوام أقل بسبب بقايا معجون الأسمنت، مما يحد من تطبيقها في المشاريع الهيكلية.
لتحسين جودة RCAs، تم تحديد معالجة الكربنة كطريقة فعالة. تتضمن هذه العملية إدخالًا محكومًا لثاني أكسيد الكربون (CO₂) للتفاعل مع هيدروكسيد الكالسيوم (Ca(OH)₂) وهيدرات سيليكات الكالسيوم (C-S-H)، مما يؤدي إلى تكوين كربونات الكالسيوم (CaCO₃) التي تملأ المسام وتحسن مناطق الانتقال بين الواجهات. لا تعزز هذه المعالجة الكثافة فحسب، بل تقلل أيضًا من امتصاص الماء وتزيد من قوة المجاميع، بل تساهم أيضًا في احتجاز الكربون. على الرغم من الفوائد المثبتة للخرسانة المعاد تدويرها كربونية (ARAC)، فإن الاختبارات التقليدية في المختبر لخصائصها الميكانيكية تتطلب جهدًا كبيرًا وتكون مكلفة، مما يعيق التحسين السريع والتبني على نطاق واسع. تقدم نمذجة التنبؤ بديلاً قابلاً للتطبيق، مما يسمح بتقديرات دقيقة للخصائص بناءً على نسب الخلط وخصائص المواد، وبالتالي تقليل الحاجة إلى اختبارات تجريبية واسعة النطاق. بينما تم استخدام تقنيات الانحدار الكلاسيكية للتنبؤ بقوة الخرسانة، فإنها تواجه صعوبة مع التفاعلات المعقدة وغير الخطية.
الطرق
توضح قسم المنهجية النهج المنهجي المستخدم في البحث للتحقيق في الفرضيات المحددة. استخدمت الدراسة مجموعة من الطرق الكمية والنوعية، بما في ذلك التحليلات الإحصائية ودراسات الحالة، لضمان فهم شامل للظواهر قيد التحقيق. شملت جمع البيانات استبيانات وتجارب، مع التركيز على ضمان الموثوقية والصلاحية من خلال تقنيات أخذ العينات الصارمة وتدابير التحكم.
تم تطبيق أدوات إحصائية، مثل تحليل الانحدار وANOVA، لتحليل البيانات الكمية، بينما تم استخدام التحليل الموضوعي لتفسير البيانات النوعية. سمح دمج هذه الطرق بالتثليث، مما عزز قوة النتائج. بشكل عام، تم تصميم المنهجية لمعالجة أسئلة البحث بفعالية وتوفير أساس قوي للتحليل اللاحق والاستنتاجات المستخلصة في الدراسة.
المناقشة
تسلط قسم المناقشة في ورقة البحث الضوء على التقدم في نماذج تعلم الآلة (ML) القائمة على الأشجار والتجمع، مثل الغابات العشوائية، وأشجار القرار، وLightGBM، التي تعالج بفعالية التحديات في نمذجة التنبؤ للخرسانة المعاد تدويرها (RAC). يشير المؤلفون إلى وجود فجوة كبيرة في الأدبيات الحالية بشأن تأثير معالجة الكربنة وقوة الخرسانة الأصلية على خصائص المجاميع الخرسانية المعاد تدويرها (RCAs) والمجاميع المعاد تدويرها (ARACs). تهدف الدراسة إلى تطوير نماذج تنبؤية لقوة الضغط للخرسانة المعاد تدويرها كربونية RCA، باستخدام كل من أساليب الانحدار الكلاسيكية (الانحدار الخطي المتعدد، والانحدار الجبهي، والانحدار المتعدد الحدود) وتقنيات ML المتقدمة. تؤكد الأبحاث على أهمية معالجة التعدد الخطي من خلال إنشاء مؤشرات مركبة، تجمع المتغيرات المرتبطة مع الحفاظ على قوتها التنبؤية.
تتكون البيانات المستخدمة لتدريب النموذج من 108 عينات خرسانية مصنفة إلى خمس مجموعات، تركز على خصائص فيزيائية وميكانيكية مختلفة. أجرى المؤلفون فحوصات إحصائية شاملة لضمان صلاحية المتغيرات التنبؤية وحددوا وجود ارتباطات عالية بين عدة متغيرات، مما أثار مخاوف بشأن التعدد الخطي. للتخفيف من ذلك، تم تطوير مؤشرات مركبة، والتي نجحت في تقليل الارتباط وعوامل تضخم التباين (VIF) إلى مستويات مقبولة. تشير النتائج إلى أنه بينما قد تعاني النماذج الخطية الكلاسيكية من الإفراط في التكيف بسبب التعدد الخطي، فإن طرق التجميع المتقدمة تظهر قدرات تنبؤية قوية بغض النظر عن الارتباط بين المتغيرات التنبؤية. تشير النتائج إلى أن الفهرسة المركبة لا تبسط عملية النمذجة فحسب، بل تعزز أيضًا قابلية التفسير واستقرار النماذج القائمة على الانحدار، مما يؤدي في النهاية إلى رؤى أكثر قابلية للتنفيذ في التنبؤ بقوة الضغط للخرسانة المعاد تدويرها كربونية RCA.
DOI: https://doi.org/10.1038/s41598-026-36197-8
PMID: https://pubmed.ncbi.nlm.nih.gov/41559170
Publication Date: 2026-01-20
Author(s): Hintsa G. Gebremariam et al.
Primary Topic: Recycled Aggregate Concrete Performance
Overview
The research investigates the application of machine learning (ML) techniques to predict the compressive strength of concrete incorporating carbonated recycled concrete aggregates (RCA). The study compiles and statistically validates 108 experimental data points, considering various input variables such as water-to-cement ratio, aggregate ratios, and carbonation degree. Six regression-based ML algorithms—multilinear regression (MLR), ridge regression, polynomial MLR, decision tree, random forest, and LightGBM—were developed and optimized using 5-fold cross-validation. The decision tree and LightGBM models demonstrated the highest predictive accuracy, achieving a root mean square error (RMSE) of 1.59 MPa and a coefficient of determination (R²) of 0.991, while the random forest model closely followed with an RMSE of 1.64 MPa and R² of 0.991.
The findings indicate that ML models can effectively predict the compressive strength of carbonated RCA concrete, offering a more efficient alternative to conventional testing methods. The study highlights the superior performance of tree-based models over classical regression methods, with the random forest model being the most reliable due to its ability to capture meaningful relationships. However, the research acknowledges limitations in the dataset, including restricted variability in water-to-cement ratios and the need for broader experimental conditions. Future research is recommended to explore additional parameters and utilize deep learning models to enhance predictive accuracy and robustness in concrete strength modeling.
Introduction
The introduction highlights the growing importance of recycling concrete and other materials in sustainable construction, emphasizing its role in mitigating the environmental impact of the construction industry and conserving natural resources. Recycled concrete aggregates (RCAs), derived from crushed waste concrete, offer notable environmental and economic advantages, such as reduced landfill use and cost savings. However, RCAs often possess inferior mechanical properties and durability due to residual cement paste, which limits their application in structural projects.
To enhance the quality of RCAs, carbonation treatment has been identified as an effective method. This process involves the controlled introduction of carbon dioxide (CO₂) to react with calcium hydroxide (Ca(OH)₂) and calcium silicate hydrate (C-S-H), resulting in the formation of calcium carbonate (CaCO₃) that fills pores and improves the interfacial transition zones. This treatment not only enhances the density, reduces water absorption, and increases strength of the aggregates but also contributes to carbon sequestration. Despite the established benefits of carbonated recycled aggregate concrete (ARAC), traditional laboratory testing for its mechanical properties is labor-intensive and costly, which hampers rapid optimization and large-scale adoption. Predictive modeling presents a viable alternative, allowing for accurate property estimations based on mix proportions and material characteristics, thereby minimizing the need for extensive experimental testing. While classical regression techniques have been used for predicting concrete strengths, they struggle with complex, nonlinear interactions.
Methods
The methodology section outlines the systematic approach employed in the research to investigate the specified hypotheses. The study utilized a combination of quantitative and qualitative methods, including statistical analyses and case studies, to ensure a comprehensive understanding of the phenomena under investigation. Data collection involved surveys and experiments, with a focus on ensuring reliability and validity through rigorous sampling techniques and control measures.
Statistical tools, such as regression analysis and ANOVA, were applied to analyze the quantitative data, while thematic analysis was used for qualitative data interpretation. The integration of these methods allowed for triangulation, enhancing the robustness of the findings. Overall, the methodology was designed to address the research questions effectively and provide a solid foundation for the subsequent analysis and conclusions drawn in the study.
Discussion
The discussion section of the research paper highlights the advancements in tree and ensemble-based machine learning (ML) models, such as random forests, decision trees, and LightGBM, which effectively address challenges in predictive modeling for recycled aggregate concrete (RAC). The authors note a significant gap in existing literature regarding the influence of carbonation treatment and parent concrete strength on the properties of recycled concrete aggregates (RCAs) and aggregate-recycled aggregates (ARACs). The study aims to develop predictive models for the compressive strength of carbonated RCA concrete, utilizing both classical regression methods (multiple linear regression, ridge regression, polynomial MLR) and advanced ML techniques. The research emphasizes the importance of addressing multicollinearity through the creation of composite indices, which aggregate correlated variables while preserving their predictive power.
The data utilized for model training consisted of 108 concrete samples categorized into five groups, focusing on various physical and mechanical properties. The authors conducted thorough statistical checks to ensure the validity of predictor variables and identified high intercorrelations among several predictors, raising concerns about multicollinearity. To mitigate this, composite indices were developed, which successfully reduced correlation and variance inflation factors (VIF) to acceptable levels. The results indicate that while classical linear models may suffer from overfitting due to multicollinearity, advanced ensemble methods demonstrate robust predictive capabilities regardless of predictor intercorrelation. The findings suggest that composite indexing not only simplifies the modeling process but also enhances the interpretability and stability of regression-based models, ultimately leading to more actionable insights in predicting the compressive strength of carbonated RCA concrete.