Costruire senza cemento Portland: la promessa del calcestruzzo geopolimerico
Nel panorama dell’edilizia sostenibile, uno dei fronti più promettenti riguarda la sostituzione del cemento Portland tradizionale con materiali alternativi a minore impatto ambientale. Tra questi, il calcestruzzo geopolimerico (in inglese geopolymer concrete, GPC) si distingue come una delle opzioni più interessanti: viene prodotto valorizzando scarti industriali come la cenere volante (fly ash) e le scorie di altoforno (slag), sottoprodotti che altrimenti graverebbero ulteriormente sull’ambiente. Rispetto al calcestruzzo convenzionale, il GPC offre superiore resistenza chimica, maggiore durabilità e prestazioni meccaniche elevate, contribuendo significativamente alla riduzione delle emissioni di carbonio nel settore delle costruzioni.
Nonostante questi vantaggi, progettare una miscela ottimale di calcestruzzo geopolimerico è tutt’altro che semplice. Le relazioni tra i parametri di composizione e la resistenza finale del materiale sono complesse, spesso non lineari, e difficilmente catturabili dai modelli matematici tradizionali. È proprio qui che entra in gioco la ricerca pubblicata nel 2026 sulla rivista Discover Materials da M. Swetha Promod, V. M. Akhil e Shimol Philip.
Un modello ibrido che guarda al passato e al futuro dei dati
Lo studio, di tipo modellistico e computazionale, ha analizzato un dataset composto da 820 miscele di calcestruzzo geopolimerico a base di cenere volante e scorie. L’obiettivo era sviluppare un sistema in grado di prevedere con precisione la resistenza a compressione del materiale, ovvero la capacità di sopportare carichi senza cedere — una delle proprietà strutturali più critiche in edilizia.
I ricercatori hanno confrontato diversi algoritmi di machine learning: Random Forest, Gradient Boosting, reti neurali LSTM (Long Short-Term Memory) e DNN (Deep Neural Networks). La vera innovazione, però, sta nell’approccio ensemble proposto: un framework ibrido che combina i primi tre modelli come livello base, affidando poi a una rete neurale profonda (DNN) il ruolo di meta-apprendente, capace di integrare i risultati parziali e catturare simultaneamente relazioni lineari e non lineari tra i parametri della miscela.
L’idea di fondo è che nessun singolo modello è perfetto: combinando approcci complementari si ottiene una previsione più robusta e affidabile di quanto qualsiasi algoritmo potrebbe fare da solo.
L’ottimizzazione che fa la differenza: Optuna in testa
Un aspetto centrale della ricerca riguarda la calibrazione fine dei parametri interni dei modelli, la cosiddetta ottimizzazione degli iperparametri. I ricercatori hanno testato tre strategie distinte: Optuna, l’ottimizzazione bayesiana combinata con Hyperband, e l’ottimizzazione bayesiana combinata con ricerca casuale.
I risultati sono chiari: Optuna ha superato entrambi i metodi bayesiani, raggiungendo in fase di test un errore quadratico medio di 3,16 MPa, un errore quadratico medio radice di 1,77 MPa, un errore assoluto medio di soli 1,07 MPa e un coefficiente di determinazione R² di 0,9890. Quest’ultimo valore — molto prossimo a 1 — indica che il modello riesce a spiegare quasi integralmente la variabilità osservata nei dati, con una precisione notevole. Optuna si è dimostrato anche il più efficiente dal punto di vista computazionale, offrendo il miglior equilibrio tra accuratezza e costo di calcolo.
Capire perché il modello decide: l’analisi SHAP
Uno dei rischi degli algoritmi di intelligenza artificiale più sofisticati è la loro opacità: producono risultati eccellenti, ma spesso non è chiaro perché. Per ovviare a questo limite, i ricercatori hanno applicato l’analisi SHAP (Shapley Additive Explanations), una tecnica che permette di quantificare il contributo di ciascuna variabile alla previsione finale, rendendo il modello interpretabile.
I risultati dell’analisi SHAP hanno rivelato che i tre fattori più influenti sulla resistenza a compressione del calcestruzzo geopolimerico sono:
- Il contenuto di scorie (slag content)
- La molarità del NaOH (idrossido di sodio, usato come attivatore alcalino)
- La temperatura di maturazione (curing temperature)
Questa trasparenza non è un dettaglio tecnico secondario: significa che tecnici e progettisti possono orientare le scelte di formulazione sulla base di indicazioni concrete e verificabili, non di intuizioni empiriche. Il modello diventa così uno strumento di supporto decisionale reale nella progettazione di miscele ad alte prestazioni e basso impatto ambientale.
Cosa significa per l’edilizia sostenibile
La capacità di prevedere con grande precisione la resistenza di un materiale prima ancora di produrlo in laboratorio apre scenari importanti per la filiera costruttiva verde. Riduce i tempi e i costi della sperimentazione, permette di ottimizzare l’uso di scarti industriali e può accelerare l’adozione su larga scala di alternative al cemento Portland in chiave di economia circolare. Non si tratta, tuttavia, di uno studio sperimentale in cantiere: i limiti propri di un approccio modellistico — come la dipendenza dalla qualità e dalla rappresentatività del dataset di partenza — restano sullo sfondo e meritano attenzione in future applicazioni pratiche.
Finanziamento della ricerca
I metadati della pubblicazione non riportano alcun finanziatore. Questo non significa che lo studio sia stato condotto senza finanziamenti: la disponibilità e la trasparenza di questa informazione variano da rivista a rivista e da istituzione a istituzione.
Fonte
M. Swetha Promod, V. M. Akhil, Shimol Philip (2026). Explainable hybrid stacked ensemble of LSTM and DNN with SHAP-driven insights for predicting geopolymer concrete compressive strength for sustainable constructions. Discover Materials. DOI: 10.1007/s43939-026-00903-0 — accesso aperto
Finanziamento: i metadati della pubblicazione non riportano un finanziatore. L’assenza del dato non implica assenza di finanziamento.
Questo articolo sintetizza uno studio accademico peer-reviewed. Tutti i dati riportati provengono dalla pubblicazione originale, consultabile al DOI indicato.
Foto di Lucas Oliveira su Pexels
#GreenBuilding #EdiliziaSostenibile #Sostenibilità #ViviGreen #ricerca
Leave a Reply