Experimental investigation and data-driven modelling of waste glass powder-based eco-friendly concrete using machine learning and gene expression programming

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

🔬研究者:The paper offers a comparative evaluation of six ML models for concrete strength prediction, with SHAP interpretability, useful for researchers in construction materials and data-driven design.

🏢実務担当者:Concrete producers can use the GEP and XGBoost models to optimize WGP content for desired strength while reducing cement use, aiding sustainability reporting and material sourcing decisions.

過去10年にわたり、伝統的に天然資源の枯渇とCO₂排出の主要な要因と見なされてきたコンクリート産業は、より持続可能な建設アプローチへと徐々にシフトしてきた。実際には、これらの取り組みは環境影響の低減、天然資源の節約、気候関連の課題への対応に焦点を当てている。この文脈において、リサイクル材や廃棄物由来の原料を組み込むことは、環境的に持続可能なコンクリートを実現するための信頼性の高いアプローチとしてますます認識されている。これらの材料の中で、廃ガラス粉末（WGP）は、部分的にセメントを代替するものとして注目を集めており、主にクリンカーの使用を減らし、体積炭素を低減し、建設における循環経済の考え方を支援するためである。文献データと本研究の実験結果を組み合わせて、230件のデータ記録からなる調和化データベースが構築された。実験部分では、養生期間を7日、14日、28日とし、WGP置換率を0%から7%の範囲で検討した。全体の結果は、3%のWGPを含む配合が28日圧縮強度で最高値の36.71 MPaを示し、対照配合（34.62 MPa）より約6%高いことを示した。ワーカビリティに関しては、WGP置換率の増加に伴いスランプは低下したが、すべての配合は許容範囲内に留まった。また、密度値は2392〜2526 kg/m³の範囲であった。これは、WGP置換がコンクリートの締固めや構造的完全性を大きく損なわなかったことを示している。遺伝的発現プログラミング（GEP）、k近傍法（kNN）、勾配ブースティング（GB）、eXtreme Gradient Boosting（XGBoost）、決定木（DT）、サポートベクター回帰（SVR）を含む6つの機械学習（ML）データ駆動型モデリング手法が開発・評価された。これらのうち、ブースティングベースのアンサンブルモデルはトレーニングデータセットで最高の予測性能を達成し、XGBoostとGBはR²値が約0.99、MAEが約0.15 MPaまで低下し、RMSEが0.5 MPa未満となった。一方、GEPアプローチは競争力がありながらも解釈可能な数式を生成でき、R²は約0.91〜0.92、MAEは2.70〜3.00 MPa、RMSEは3.93〜4.18 MPaの範囲であった。テストデータセットについては、XGBoostが汎化性能で最良を示し、R²は0.94、MAEは1.71 MPa、RMSEは3.13 MPaを報告した。GEPモデルは予測において安定しており、R²は0.93、MAEは2.47〜2.68 MPa、RMSEは3.41〜3.59 MPaを記録した。また、a20%指数はモデルの信頼性を支持し、トレーニングデータセットで77〜100%、テストデータセットで76〜89%の範囲であった。SHapley Additive exPlanations（SHAP）に基づく解釈可能性分析は、水結合材比（w/b）が圧縮強度に対してかなり強い負の影響を示す一方、養生時間（材齢）は強度発現に対して中程度の正の寄与を示すことを明らかにした。一方、WGP添加量を増やすと、特に最適置換範囲を超える場合、圧縮強度に対して中程度の負の影響を一般的にもたらす。予測精度を超えて、この研究はデータ駆動型モデリングがコンクリート配合を性能面で最適化し、不要な材料の過剰設計を回避し、持続可能なコンクリート技術の採用を加速するのに役立つことを示している。実験的検証と解釈可能で高精度なML手法を統合することで、この研究は持続可能な意思決定を支援し、建設業界における低炭素コンクリート設計を前進させることができる、実用的で透明性のある予測ツールを提供する。

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。

Over the last decade, the concrete industry, which has traditionally been seen as a major driver of natural resource depletion and CO₂ emissions, has gradually shifted toward more sustainable building approaches. In practice, those efforts focus on reducing environmental impacts, saving natural resources, and addressing climate-related challenges. In this context, incorporating recycled and waste-derived ingredients is increasingly seen as a credible approach to achieving environmentally sustainable concrete. From these materials, waste glass powder (WGP) has gained attention as a partial cement replacement, largely because it reduces clinker use, lowers embodied carbon, and supports circular economy thinking in construction. A harmonised database comprising 230 data records was compiled by combining literature data with experimental findings from this work. The experimental part examined curing ages of 7, 14, and 28 days, while WGP replacement levels ranged from 0% to 7%. The overall results showed that the mix with 3% WGP had the highest 28-day compressive strength, 36.71 MPa, about 6% higher than the control mix (34.62 MPa). Regarding workability, the slump decreased as the WGP replacement increased, but all mixtures remained within acceptable limits. Also, the density values ranged from 2392 to 2526 kg/m³. This indicates that the WGP replacement did not significantly compromise the concrete’s compaction or its structural integrity. Six machine learning (ML) data-driven modelling techniques were developed and evaluated, among them Gene Expression Programming (GEP), k-Nearest Neighbour (kNN), Gradient Boosting (GB), eXtreme Gradient Boosting (XGBoost), Decision Tree (DT) and Support Vector Regression (SVR). Between these, the boosting-based ensemble models achieved the best predictive performance on the training dataset, with XGBoost and GB yielding R ² values around 0.99, MAE dropping to about 0.15 MPa, and RMSE under 0.5 MPa. Meanwhile, the GEP approach was competitive yet also able to produce interpretable mathematical expressions, with R ² around 0.91–0.92, MAE between 2.70 and 3.00 MPa, and RMSE between 3.93 and 4.18 MPa. For the testing dataset, XGBoost demonstrates the best performance for generalisation, reporting R ² of 0.94, MAE of 1.71 MPa, and RMSE of 3.13 MPa. The GEP model remained stable in its predictions, recording R ² of 0.93, MAE between 2.47 and 2.68 MPa, and RMSE between 3.41 and 3.59 MPa. Also, the a20%-index supported the reliability of the models, ranging from 77 to 100% on the training dataset and 76–89% on the testing dataset. The SHapley Additive exPlanations (SHAP)-based interpretability analysis showed a rather strong negative effect from the water-to-binder ratio ( w / b ) on compressive strength, while curing time (age) exhibits a moderately positive contribution toward strength development. Meanwhile, when the WGP dosage is increased, it generally brings a moderate negative influence on compressive strength, especially beyond the optimum replacement range. Beyond prediction accuracy, this study shows that data-driven modelling can help optimise concrete mixes for performance, avoid unnecessary material overdesign, and accelerate the adoption of sustainable concrete technologies. When experimental validation is integrated with interpretable, high-accuracy ML methods, the work offers usable, transparent predictive tools that can support sustainable decision-making and advance low-carbon concrete design in the construction industry.

• semanticscholar https://doi.org/10.1007/s43939-026-00785-2first seen 2026-07-07 05:13:58 · last seen 2026-08-11 05:08:28