Un nuovo studio pubblicato su CivilEng (MDPI, Vol. 7, doi: 10.3390/civileng7010003) applica il machine learning alla stima preliminare della resistenza a compressione del calcestruzzo drenante (pervious concrete), con l’obiettivo di ridurre i cicli di prova distruttivi necessari alla messa a punto delle miscelle.
Il problema: resistenza limitata e prove lente
Il calcestruzzo drenante è una alternativa sostenibile ai pavimenti convenzionali grazie alla capacità di favorire l’infiltrazione delle acque meteoriche e la ricarica delle falde. L’assenza di aggregati fini genera però una struttura altamente porosa che riduce la resistenza a compressione, limitando l’impiego strutturale più ampio del materiale.
Alla determinazione della resistenza tradizionale si aggiunge il peso del collaudo di laboratorio: prove distruttive su provini che richiedono materiale, energia e tempi di maturazione fino a 28 giorni. Questo rende la progettazione iterativa della miscela lenta e dispendiosa in risorse. Il settore edile, per contesto, è responsabile del 30-40% delle emissioni globali di CO2 e di un elevato consumo di risorse naturali.
Cosa fanno gli autori
Hamed Abdul Baseer e G. G. Md. Nawaz Ali propongono il machine learning come strumento di stima rapida e preliminare, in grado di fornire previsioni anticipate della resistenza a compressione a partire dalla composizione della miscela e dai parametri di maturazione.
Più algoritmi di machine learning sono stati addestrati e valutati utilizzando dati ricavati dalla letteratura esistente e successivamente validati attraverso prove di laboratorio. Lo studio non specifica nel testo di presentazione quali algoritmi siano stati impiegati né i valori numerici delle prestazioni dei modelli.
Risultati dichiarati
I risultati indicano che il machine learning può fornire stime preliminari della resistenza affidabili, con un approccio più rapido ed efficiente in termini di risorse per guidare gli aggiustamenti della miscela.
Gli autori sottolineano che i modelli non sostituiscono il collaudo di laboratorio, ma operano come strumenti di supporto decisionale: consentono di valutare gli esiti di resistenza potenziali prima di gettare e far maturare i provini fisici. Questo può ridurre il numero di batch di prova, il consumo di materiale e l’impatto ambientale legato alle prove distruttive ripetute.
Applicazioni professionali e limiti
L’integrazione di modelli ML nella ricerca sul calcestruzzo drenante è prospettata come in grado di supportare pratiche di sviluppo del materiale più sostenibili, convenienti e rapide, riducendo la dipendenza dai cicli di prova a 28 giorni ripetuti. Per il tecnico, l’utilità si colloca nella fase preliminare di mix design: una stima anticipata della resistenza può orientare la formulazione prima del collaudo.
I limiti dichiarati dal materiale sono legati al ruolo stesso dei modelli, conception come strumenti di stima preliminare e non come sostituzione delle prove distruttive; la validazione resta di pertinenza del laboratorio. Il testo disponibile non riporta dettagli su dataset, architetture specifiche o metriche quantitative dei modelli.
Lascia un commento