産業廃棄物を活用した低炭素コンクリート配合の機械学習駆動最適化

Unofficial AI-generated summary based on the public title and abstract. Not an official translation.

🔬研究者:Demonstrates a successful integration of ML (XGBoost) with experimental concrete design, useful for researchers in sustainable materials and ML applications.

🏢実務担当者:Construction and materials firms can use the ML-based prediction to minimize trial batches, accelerating development of low-carbon concrete products.

🏛政策担当者:Supports policies promoting industrial waste utilization and low-carbon building materials by showing quantifiable strength and emissions benefits.

セメント産業は世界の二酸化炭素（CO₂）排出量の主要な排出源であり、環境影響を低減した持続可能な建設材料の開発が必要とされている。本研究は、産業廃棄物を利用した低炭素コンクリートの開発と、機械学習による強度予測および配合最適化を組み合わせた、新規の統合フレームワークを提案する。低炭素コンクリート配合は、普通ポルトランドセメントの一部をフライアッシュおよび高炉スラグ微粉末（GGBS）で様々な置換率により代替して作製した。異なる養生期間における圧縮強度の発現を評価するため、実験的調査を実施した。その後、300件の実験観測データからなるデータセットを用いて、圧縮強度予測のための3つの機械学習モデル、すなわちランダムフォレスト（RF）、サポートベクター回帰（SVR）、およびXGBoost（極端勾配ブースティング）を開発し比較した。結果は、適切に設計された低炭素コンクリート配合が、セメント消費量および関連するCO₂排出量を大幅に削減しつつ、同等またはそれ以上の長期強度を達成できることを示している。評価したモデルの中で、XGBoostが最も高い予測精度を示し、持続可能なコンクリート配合最適化への適合性が示された。本研究の新規性は、実験的な低炭素コンクリート設計、環境評価、および高度な機械学習技術を統合フレームワーク内で組み合わせ、構造性能と持続可能性を同時に向上させる点にある。提案されたアプローチは、試行錯誤的な実験を削減し、現代の建設実務における環境配慮型コンクリートの採用を加速するための効率的な経路を提供する。

AI 翻訳（deepseek-v4-flash）。 正確を期す場合は下の原文を参照してください。

The cement industry is a major contributor to global carbon dioxide (CO₂) emissions, necessitating the development of sustainable construction materials with reduced environmental impact. This study proposes a novel integrated framework that combines industrial waste-based low-carbon concrete development with machine-learning-driven strength prediction and mix optimization. Low-carbon concrete mixes were produced by partially replacing ordinary Portland cement with fly ash and ground granulated blast furnace slag (GGBS) at various replacement levels. Experimental investigations were conducted to evaluate compressive strength development at different curing ages. A dataset comprising 300 experimental observations was subsequently employed to develop and compare three machine learning models, namely Random Forest (RF), Support Vector Regression (SVR), and Extreme Gradient Boosting (XGBoost), for compressive strength prediction. The results demonstrate that appropriately designed low-carbon concrete mixtures can achieve comparable or superior long-term strength while substantially reducing cement consumption and associated CO₂ emissions. Among the evaluated models, XGBoost exhibited the highest predictive accuracy, indicating its suitability for sustainable concrete mix optimization. The novelty of this study lies in integrating experimental low-carbon concrete design, environmental assessment, and advanced machine learning techniques within a unified framework to enhance structural performance and sustainability simultaneously. The proposed approach provides an efficient pathway to reduce trial-and-error experimentation and accelerate the adoption of eco-friendly concrete in modern construction practices.

• openalex https://doi.org/10.54740/ros.2026.030first seen 2026-07-10 05:15:54 · last seen 2026-07-10 05:28:56