Forscher setzen maschinelles Lernen ein, um einen 3D-gedruckten Geopolymer-Zement zu entwickeln

Ein Forscher der Swinburne University of Technology und der Leiter des französischen Bauunternehmens Bouygues Travaux Publics haben maschinelles Lernen eingesetzt, um die Druckfestigkeit von gedruckten 3D-Baumaterialien besser zu verstehen.

Das Forschungsteam wollte einen Prozess zur Klassifizierung von 3D-gedruckten Geopolymer-Proben entwickeln, um den Aufbau der 3D-Druckmaterialien mit Methoden des maschinellen Lernens zu optimieren. Die Studie könnte nicht nur zur Schaffung von Konstruktionsverbundwerkstoffen mit höherer Druckfestigkeit führen, sondern auch zu einem Leitfaden für die Klassifizierung der Stabilität anderer in der Bauindustrie verwendeter 3D-Druckmaterialien.

3D-Druck wird in den letzten Jahren immer häufiger bei den Bauen von Strukturen oder Häusern eingesetzt. Die Verfahren wurden optimiert, aber dennoch werden große Mengen an Zement verwendet. Die Zementherstellung ist nicht nur vergleichsweise teuer, sondern ist auch umweltschädlich. Dadurch ist auch die Gesamtnachhaltigkeitsleistung von 3D-gedruckten Betonstrukturen suboptimal.

Geopolymere hingegen bieten eine schnell aushärtende, kostengünstige und umweltfreundliche Alternative. Die Materialien bieten im Vergleich zu herkömmlichen Zementverbundwerkstoffen auch eine verbesserte Feuerbeständigkeit und Haltbarkeit. Trotz dieser Vorteile kann die Verwendung von diesen Verbindungen nachteilig sein, nicht nur, weil auch sie bekanntermaßen Umweltprobleme verursachen, sondern auch wegen ihres korrosiven Charakters. Daher haben Forscher viele Anstrengungen unternommen, um die Silizium- und Aluminiumatome der Geopolymer-Matrix, von denen bekannt ist, dass sie solche schädlichen Auswirkungen verursachen, durch andere Elemente zu ersetzen.

Das Forschungsteam machte sich daran, die bisher gesammelten Daten zu verwenden, um die Muster und Klassifizierungen von 3D-Druckmaterialien kennen zu lernen und Wege zu finden, diese Nachteile zu überwinden. Dabei setzte das Team auf einen modernen rechnergestützten Ansatz, einschließlich bedingter Inferenzbäume (ctree) und rekursiver Partitionierungsmethoden (rpart), um Schlussfolgerungen zu ziehen. Wenn ein Geopolymer-Bindemittel zum Beispiel in 3D-gedruckt wird, wird die Anzahl der effektiven Faktoren für seine Festigkeit durch die verwendeten Druckparameter erweitert. Angesichts der Vielzahl unabhängiger Variablen würde der Versuch, die Druckfestigkeit gedruckter Geopolymer-Proben ohne den Einsatz von maschinellem Lernen vorherzusagen, eine hohe Fehlerquote erzeugen. Folglich verwendeten die Forscher Lernalgorithmen zur Bewertung der Druckvariablen und untersuchten die Faktoren, die sich am stärksten auf die Druckfestigkeit der Materialien auswirkten.

Mithilfe dieser Techniken war das Forschungsteam in der Lage, die Druckfestigkeit von 3D-gedrucktem Geopolymerbeton auf Borbasis genau zu klassifizieren und vorherzusagen. Die Studie könnte zu einem wichtigen Baustein für das Verständnis, wie stärkere und umweltfreundlichere gedruckte 3D-Baumaterialien entworfen werden können, oder sogar zu einem Ausgangspunkt für die Entwicklung eines Leitfadens werden, so das Team.

Die komplette Studie mit dem Titel “Formulation of mix design for 3D printing ofgeopolymers: a machine learning approach” kann als PDF hier kostenlos heruntergeladen werden.