Il problema: il cemento pesa sull’atmosfera
Chi si occupa di costruzioni sostenibili sa bene che il calcestruzzo è uno dei materiali più diffusi al mondo, ma anche uno dei più impattanti dal punto di vista climatico. La produzione di cemento è responsabile di circa l’8% delle emissioni globali di CO₂ di origine antropica: una quota enorme, che spinge la ricerca verso soluzioni alternative capaci di ridurre il contenuto di clinker nei leganti.
In questo contesto si inseriscono i cosiddetti materiali cementizi supplementari (SCM, dall’inglese supplementary cementitious materials): sottoprodotti industriali o materiali naturali trattati — come le ceneri volanti (fly ash), la loppa d’altoforno granulata (GGBS) e le argille calcinate — che possono sostituire parzialmente il cemento Portland tradizionale, abbattendo le emissioni incorporate nel manufatto. La sfida, però, è trovare la ricetta giusta: dosaggi diversi producono calcestruzzi con resistenze e impatti ambientali molto differenti, e le combinazioni possibili sono praticamente infinite.
La soluzione proposta: un framework di machine learning “informato dalla fisica”
Uno studio pubblicato nel 2026 sulla rivista Next Materials (autore: Kastro Kiran) propone un approccio innovativo per affrontare questa complessità. Si tratta di uno studio di modellazione che integra tecniche di apprendimento automatico con principi fisici e chimici della idratazione del cemento, costruendo quello che i ricercatori definiscono un framework probabilistico informato dalla fisica.
Il punto di partenza è critico nei confronti dei modelli esistenti: la maggior parte dei sistemi di machine learning applicati al calcestruzzo usa semplicemente le proporzioni grezze degli ingredienti come variabili di input. Questo approccio funziona in parte, ma offre scarsa interpretabilità: sapere che “aumentare la loppa migliora la resistenza” non spiega perché, né quanto ci si può fidare della previsione.
Il framework di Kiran trasforma invece le proporzioni grezze in cinque descrittori derivati dalla chimica e dalla fisica dei materiali, radicati nella cinetica di idratazione e nella teoria dell’impaccamento delle particelle. Questo passaggio riduce il numero di variabili rispetto a un modello tradizionale a otto input, ma mantiene — anzi migliora — la capacità predittiva.
Come funziona: incertezza, interpretabilità e ottimizzazione
Il modello addestrato è un gradient boosting eteroschedastico: non si limita a prevedere la resistenza a compressione del calcestruzzo, ma stima anche quanto è incerta quella previsione. Questa doppia uscita è preziosa per chi progetta strutture reali, perché una stima senza margine di errore può essere fuorviante quanto nessuna stima.
Il framework è stato sviluppato e valutato sul dataset benchmark di Yeh (1998), un riferimento consolidato nella letteratura scientifica sul calcestruzzo. Il modello a cinque variabili raggiunge un coefficiente di determinazione R² di 0,923 sul set di test (con un errore quadratico medio di 4,46 MPa), praticamente equivalente a quello del modello a otto variabili ma con il 40% in meno di predittori.
Un aspetto particolarmente rigoroso dello studio riguarda la calibrazione dell’incertezza: le stime iniziali del modello risultavano sovra-ottimistiche (la copertura empirica era del 77,7% contro un obiettivo del 95%). Applicando un fattore di ricalibrazione scalare, la copertura è stata portata al 95,6%, un risultato che gli autori indicano come modello di reporting onesto dell’incertezza per applicazioni probabilistiche ai materiali cementizi.
Cosa emerge dall’analisi: dati chiave per la progettazione sostenibile
Attraverso l’analisi SHAP — una tecnica che attribuisce a ciascuna variabile il suo contributo alla previsione — lo studio identifica il rapporto acqua/legante effettivo e l’indice di maturità come i predittori con la più forte interazione reciproca. Non basta sapere quanta acqua c’è: conta come essa interagisce con la storia termica e chimica del materiale.
- Le miscele ibride di GGBS e ceneri volanti mostrano un’incertezza predittiva superiore del 27,7% rispetto ai calcestruzzi di solo cemento Portland: una ragione in più per trattare questi mix con cautela progettuale.
- Applicando un indice di affidabilità strutturale β ≥ 3,0, il 19,7% delle miscele nominalmente fattibili viene eliminato: miscele che “sulla carta” sembravano accettabili risultano troppo rischiose quando si considera l’incertezza reale.
- Il fronte di Pareto — la frontiera delle soluzioni ottimali che bilanciano resistenza ed emissioni — rivela un compromesso di circa 25 MPa per ogni 100 kg di CO₂/m³ di carbonio incorporato: un dato concreto per decisioni di progetto consapevoli.
Il framework è stato confrontato con altri algoritmi di apprendimento automatico — Random Forest, Support Vector Regression e reti neurali artificiali — risultando il più performante in questo contesto.
Perché questo conta per chi progetta spazi verdi e costruzioni sostenibili
Chi lavora nel paesaggio e nell’architettura sostenibile sa che le scelte sui materiali strutturali hanno conseguenze ambientali profonde quanto quelle sulla vegetazione o sull’impermeabilizzazione del suolo. Un calcestruzzo ottimizzato con SCM può ridurre significativamente il carbonio incorporato di un manufatto — una pavimentazione, un muro di contenimento, una vasca per un giardino d’acqua — senza sacrificare la sicurezza.
Il contributo di questo studio non è solo tecnico: è metodologico. Dimostra che è possibile costruire strumenti di supporto alla decisione che siano al tempo stesso trasparenti (si capisce perché il modello suggerisce una certa miscela), affidabili (l’incertezza è quantificata e calibrata) e orientati alla sostenibilità (il carbonio incorporato entra esplicitamente nell’ottimizzazione).
Finanziamento della ricerca
I metadati della pubblicazione non riportano alcun finanziatore per questo studio. Questo non significa che la ricerca sia stata condotta senza finanziamenti: la disponibilità e la visibilità di questa informazione variano da rivista a rivista e non è possibile trarre conclusioni in merito.
Fonte
Kastro Kiran (2026). A physics-informed probabilistic machine learning framework for mix design optimisation of waste-based cementitious composites: Uncertainty quantification, SHAP interpretability, and multi-objective pareto analysis. Next Materials. DOI: 10.1016/j.nxmate.2026.103214 — 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 Sururi Ballıdağ Director su Pexels
#GreenBuilding #EdiliziaSostenibile #Sostenibilità #ViviGreen #ricerca
Leave a Reply