KI-gestützte Vorhersage der Betonfestigkeit: Recyclingzuschläge im Selbstverdichtenden Beton
Auf einen Blick
- Präzise Vorhersage: Ensemble-Machine-Learning-Modell erreicht R² = 0.963 bei der Druckfestigkeitsprognose von Recyclingbeton
- Datenbasis: 301 Versuchsdatensätze mit 18 Mischungsparametern systematisch analysiert
- Dominante Einflussgrößen: Probekörperalter, Dichte der Recyclingzuschläge und Wasser-Binde-Verhältnis als wichtigste Faktoren
- Praktischer Nutzen: Rahmenwerk ermöglicht optimierte Mischungsauslegung ohne aufwendige Probemischungen
- Nachhaltigkeit: Integration von RCAs in SCC unterstützt Kreislaufwirtschaft und Ressourcenschonung
Die Publikation von Huang et al. (2026) präsentiert einen Durchbruch in der prädiktiven Modellierung für nachhaltige Betonrezepturen: Mit fortschrittlichen Ensemble-Learning-Verfahren lässt sich die Druckfestigkeit von Selbstverdichtendem Beton mit recycelten Zuschlägen (RASCC) hochpräzise vorhersagen. Für Maurerbetriebe eröffnet dies neue Möglichkeiten, wiederverwertete Baustoffe kontrolliert einzusetzen und gleichzeitig die erforderliche Bauteilfestigkeit sicherzustellen – ein zentraler Schritt hin zur Kreislaufwirtschaft im Bauwesen.
Ensemble-Learning übertrifft herkömmliche Modellierung
Die Forscher entwickelten vier verschiedene Modellansätze und verglichen diese systematisch: Light Gradient Boosting Machine (LightGBM), Categorical Boosting (CatBoost), Stacked Generalization mit Ridge-Regression als Meta-Lerner sowie ein Voting-Ensemble. Auf einem unabhängigen Testdatensatz zeigte das Stacking-Ensemble die überlegenste Vorhersagegüte mit einem Bestimmtheitsmaß von R² = 0.963, einem Root Mean Square Error von RMSE = 3.321 MPa und einem Mean Absolute Error von MAE = 2.506 MPa. Die rigurose Residuenanalyse bestätigte die Modellgüte durch Erfüllung der Annahmen zur Normalität, Homoskedastizität und Unabhängigkeit der Fehler.
SHAP-Analyse entschlüsselt Wirkungszusammenhänge
Mit der SHAP-Methodik (SHapley Additive exPlanations) machten die Autoren die „Blackbox" des Machine Learning transparent: Die Analyse identifizierte das Probekörperalter als dominierenden Einflussfaktor auf die Druckfestigkeit, gefolgt von der Dichte der recycelten Zuschläge und dem Wasser-Binde-Verhältnis. Zusätzlich wurden die komplexen, nichtlinearen Beiträge von Zusatzstoffen wie Flugasche und Hüttensand (GGBS) aufgeklärt. Interessanterweise zeigte sich, dass die Eigenschaften der RCAs – insbesondere ihre Dichte – stärker ins Gewicht fallen als vielfach angenommen, während die Wasseraufnahme der Recyclingzuschläge indirekte Effekte über das effektive Wasser-Binde-Verhältnis entfaltet.
Transferpotenzial für Maurer
Für das Maurergewerk ergeben sich unmittelbare Anwendungsperspektiven: Die entwickelte Vorhersagemethodik ermöglicht eine qualitätsgesicherte Integration von Recyclingzuschlägen in Selbstverdichtenden Beton – ohne Kompromisse bei der geforderten Druckfestigkeit. Betriebsleiter können für eine vorgegebene Festigkeitsklasse verschiedene Mischungsalternativen rechnerisch vergleichen und die wirtschaftlichste Rezeptur mit RCAs identifizieren, bevor kostenaufwendige Probemischungen ausgeführt werden.
Konkret profitieren Maurerbetriebe in drei Bereichen: Erstens lässt sich der Einsatz sekundärer Rohstoffe (Betonbrechsand, Recyclingzuschlag) systematisch planen und ausschreiben. Zweitens entlastet die rechnerische Festigkeitsprognose die Baustellenvorbereitung, da weniger experimentelle Abstimmungen notwendig sind. Drittens stärkt die modellbasierte Qualitätssicherung die Position bei Abnahme- und Nachweisdiskussionen mit Bauherren und Prüfstatikern. Wichtig: Die Modelle basieren auf einer breiten Datenbasis ohne spezifische regionale Anpassung – für flächendeckende Anwendung sollten lokale Betonwerke die Kalibrierungsparameter prüfen.
Fazit
Die vorgestellte Ensemble-Learning-Methodik markiert einen Fortschritt in der Digitalisierung des Betonbaus: Erstmals stehen präzise, interpretierbare Vorhersagemodelle für Selbstverdichtenden Beton mit Recyclingzuschlägen zur Verfügung. Für Maurerbetriebe bedeutet dies eine fundierte Entscheidungsgrundlage für nachhaltige Mischungsentwürfe – bei gleichzeitigem Vertrauen in die erreichbare Druckfestigkeit. Der nächste Schritt liegt in der Integration dieser Werkzeuge in Praxissoftware und der Validierung unter Baustellenbedingungen.
Quellen
- Primär: Huang et al. (2026): Machine Learning-Based Prediction of Compressive Strength in Recycled Aggregate Self-Compacting Concrete: An Ensemble Modeling Approach with SHAP Interpretability Analysis. https://doi.org/10.3390/app16052432
- Sekundär: Wolpert, D.H. (1992): Stacked generalization. Neural Networks 5(2), 241–259.
- Sekundär: Willmott, C.J., Matsuura, K. (2005): Advantages of the mean absolute error (MAE) over the root mean square error (RMSE) in assessing average model performance. Climate Research 30(1), 79–82.
- Sekundär: Kasper, K.G. et al. (2007): Mechanical behaviour of concrete made with fine recycled concrete aggregates. Magazine of Concrete Research 59(7), 507–517.
- Sekundär: Rodrigues, F. et al. (2013): Influence of moisture states of natural and recycled aggregates on the slump and compressive strength of concrete. Construction and Building Materials 40, 1078–1085.
- Sekundär: Evangelista, L., de Brito, J. (2014): The influence of the use of recycled aggregates on the compressive strength of concrete: a review. European Journal of Environmental and Civil Engineering 18(2), 145–164.