L’impiego di ceneri da biomassa agricola come materiali cementizi supplementari (SCM) è in crescita nel settore delle costruzioni, spinto dall’esigenza di ridurre le emissioni di carbonio legate al cemento e di migliorare le prestazioni meccaniche del calcestruzzo. Tuttavia, la variabilità di questi materiali – legata al tipo di biomassa, al livello di sostituzione e alle proprietà chimico-fisiche – complica la previsione della resistenza a compressione. Un recente studio pubblicato su Infrastructures propone un approccio basato su machine learning per affrontare questa complessità, sviluppando un modello interpretabile che utilizza un dataset eterogeneo di 18 diverse ceneri da biomassa agricola.
Il dataset e le variabili considerate
Il lavoro di ricerca, firmato da Leila Mirzaei, Clifford B. Fedler e Tewodros Ghebrab, ha compilato un set di dati contenente informazioni sulle proporzioni del conglomerato cementizio, la percentuale di sostituzione del cemento con bio-SCM, la composizione chimica delle ceneri e la loro superficie specifica (SSA). Come variabile target è stato scelto il rapporto di resistenza a compressione a 28 giorni rispetto alla miscela di controllo, una metrica relativa che consente di confrontare miscele con diverse classi di resistenza di base. L’uso di un indicatore relativo, anziché assoluto, aumenta la trasferibilità dei risultati a scenari progettuali differenti.
Prestazioni del modello e analisi di importanza
Tra i cinque algoritmi di regressione valutati, XGBoost ha mostrato le prestazioni migliori, con un coefficiente di determinazione R2 medio di circa 0,80 in validazione incrociata decupla pesata. L’interpretazione del modello è stata condotta tramite SHAP (SHapley Additive exPlanations), un metodo che scompone il contributo di ciascuna variabile alla previsione. Gli autori sottolineano che i valori SHAP devono essere intesi come associazioni statistiche e non come relazioni causali. L’analisi ha evidenziato che un maggiore contenuto di SiO2 e di ossidi pozzolanici nelle ceneri, un dosaggio più elevato di superfluidificante e una maggiore resistenza della miscela di controllo sono associati a rapporti di resistenza più favorevoli. Al contrario, un’elevata percentuale di sostituzione del cemento, un rapporto acqua/legante più alto e un maggior valore di perdita al fuoco (loss on ignition) tendono a ridurre il rapporto di resistenza. La superficie specifica delle ceneri ha mostrato una correlazione positiva debole.
Implicazioni pratiche per la progettazione delle miscele
Dallo studio emergono indicazioni concrete per i tecnici che valutano l’impiego di bio-SCM. L’analisi specifica per singolo tipo di cenere, condotta nel lavoro, ha permesso di individuare intervalli di sostituzione raccomandati basati su osservazioni dirette e interpolazioni, evitando estrapolazioni oltre il dominio dei dati di addestramento. Per il professionista, ciò significa che la scelta del livello di sostituzione può essere guidata dalle proprietà chimico-fisiche del materiale disponibile, verificando che il contenuto di silice reattiva e la superficie specifica rientrino in fasce già validate sperimentalmente.
L’approccio proposto non richiede l’utilizzo di software specialistici o competenze avanzate di data science: i modelli sviluppati e i range di sostituzione identificati possono essere tradotti in tabelle e grafici di rapida consultazione per il dosaggio in cantiere. La metodologia si inserisce nel più ampio quadro delle strategie di riduzione dell’impronta di carbonio dei calcestruzzi, offrendo uno strumento per ottimizzare il rapporto tra prestazioni meccaniche e sostenibilità senza ricorrere a prove di laboratorio lunghe e costose per ogni nuova miscela.
Lascia un commento