Beton, eski uygarlıklardan günümüze kadar kullanılan en popüler kompozit bir yapı malzemesidir. Bugüne kadar dayanıklılığını ispatlamıştır fakat bu hataları olmadığı anlamına gelmemektedir. Ana bileşeni olan çimentonun üretimi, küresel açıdan bakıldığında günümüzde CO2 emisyonu %8-9 iken ilerleyen yıllarda beklenen enerji tüketiminin %2-3’üne katkı sağlayacaktır. Amerika Birleşik Devletleri’nin eskiyen altyapısıyla, federal hükümet kısa süre önce, onu yeniden canlandırmak ve yükseltmek için bir dönüm noktası tasarısının yanı sıra, mümkün olduğunda sera gazı emisyonlarını azaltmaya yönelik bir çözüm yolu olarak betonu seçmiştir.
MIT Malzeme Bilimi ve Mühendisliği Bölümü’nden Esther ve Harold E. Edgerton ile Elsa Olivetti ve MIT-IBM Watson AI Lab araştırma bilimcisi ve yöneticisi Jie Chen, malzeme performansını iyileştirirken kullanılan ana ve yan ürünlerin artırdığı CO2 emisyonlarını azaltabilme adına daha sürdürülebilir beton karışımları hazırlamak için yapay zekanın yeni tasarımlar ve formüller oluşturması inovatif bir açılım olacaktır.
Olivetti: “Malzemelerin çevresel ve ekonomik sürdürülebilirliğini geliştirirken; Chen, malzeme reformülasyonuna uygulayabileceği makine öğrenimi ve hesaplama tekniklerini geliştirir ve optimize eder. Olivetti ve Chen, işbirlikçileriyle birlikte kısa süre önce toplum, iklim ve ekonomi yararına betonu daha sürdürülebilir hale getirmek için bir MIT-IBM Watson Yapay Zeka Laboratuvarı projesi için bir araya geldi.” dedi.
Çimento, beton kütlesinin %10’unu oluştururken karbon ayak izinin %80’ini oluşturmaktadır. Bu negatif etki üretim için gereken ısıdan, çalıştırmak için yakılan yakıttan ve kimyasal reaksiyondaki kireçtaşının kalsinasyonundaki CO2’nin serbest kalmasından meydana gelmektedir. Bu nedenle giren bileşenlerin, atık ve yan ürünlerden elde edilen alternatif malzemelerle kısmen değiştirilmesi karbon ayak izini azaltabilir. Bu durum kesin sürdürülebilir çözüm olmayabilir çünkü atıkların oluşumunun maliyetli olması sonucunda daha fazla karbon salınımı meydana gelir. Giren malzemelerin kullanımı en uygun duruma göre ayarlamak için makine öğrenimi kullanmak deneme-yanılma yönteminden daha iyi bir sonuç üretilebilir.
Sera gazı emisyonlarını azaltmak için mümkün olduğunca hızlı müdahale edilmelidir. Ulaşım ve elektrik sektörlerinde karbondan arındırmak için geliştirilmiş yollar bulunmaktadır ancak endüstriyel malzeme üretimi gibi karbondan arındırılması zor sektörler için belirlenen yollar planlandığı gibi ilerlememektedir.
Daha iyi beton üretmek
Olivetti: “Amaç, ekonomik ve çevresel etkiyi de dengeleyen karışımlarla hem güç hem de dayanıklılık gibi performans kriterlerini karşılayacak karışımları tahmin etmektir. Bunun anahtarı endüstriyel atıkların harmanlanmış çimento ve betonlarda kullanılmasıdır. Bunun için kurucu malzemelerin cam ve mineral reaktivitesini anlamamız gerekir. Bu reaktivite sadece çimento sistemlerinde olası kullanımın sınırını belirlemekle kalmaz, aynı zamanda betonun işlenmesini, betonun dayanıklılığını ve karbon emisyonlarını kontrol eden mukavemet ve gözenek yapısının geliştirilmesini de kontrol eder.” dedi.
Chen: “Çimento girdilerinin bir kısmını değiştirmek için atık malzemelerin kullanılmasını araştırıyoruz. Bu daha sürdürülebilir ve ekonomik olduğunu düşündüğümüz bir durumdur. Çimento yapımındaki eski malzemelerin azalması nedeniyle ortaya çıkan ürün daha az CO2 salınımı yapmış olacaktır. Sonuca ulaşırken betonları dayanıklı kılan doğru karışım oranını bulmak çok zorludur. Makine öğrenimi bize sorunu çözmek için öngörücü modellemenin, belirsizlik ölçümü ve optimizasyonun ilerlemesini keşfetme fırsatı veriyor. Amacımız, bir cevap bulmak için çok amaçlı optimizasyon tekniklerinin yanı sıra derin öğrenmeyi kullanarak seçenekleri araştırmaktır. Bu çabaların gerçekleştirilmesi artık daha mümkün ve iyi bir çimentonun neyin oluşturduğunu anlamamız gereken daha güvenilir tahmin sonuçları üretebileceğiz.” dedi.
Yapay zeka ve hesaplama teknikleri
Olivetti: “Doğal dil işleme yoluyla literatürdeki somut bileşenleri, karışım oranları ve somut performanslar hakkındaki verileri yapay zeka tekniklerini kullanarak toplamaktayız ayrıca beton karışımlarının tasarımını optimize etmek için endüstriden ve/veya yüksek verimli atomistik modelleme deneylerinden elde edilen verileri de ekliyoruz. Daha sonra bu bilgiyi, düşük CO2‘li beton için çimento malzemelerine alternatif olarak olası atık ve yan ürün malzemelerinin reaktivitesi hakkında fikir geliştirmek için kullanırız. Somut bileşenlerle ilgili genel bilgiler dahil edilerek, ortaya çıkan somut performans belirleyicilerinin mevcut yapay zeka modellerinden daha güvenilir olması bekleniyor.” dedi.
Chen: “Amaç; mukavemet, maliyet, çevresel etki, performans vb. gibi çeşitli faktörleri optimize eden betonun üretilmesi için hangi bileşenlerin ve her birinin ne kadarının girdiye konacağını bulmaktır. Hedeflerin her biri için belirli modellere ihtiyacımız var: Betonun mukavemetini tahmin etmek, maliyeti tahmin etmek ve ne kadar karbondioksitin üretildiğini tahmin etmek gibi. Bu modelleri literatürden, endüstriden ve laboratuvar deneylerinden elde edilen verileri kullanarak oluşturmamız gerekecek. Betonun mukavemetini tahmin etmek için Gauss proses modellerini araştırıyoruz. Bu model bize tahminin, belirsizlik tahminini de verebilir. Böyle bir model, hesaplamak için başka bir model kullanacağımız parametrelerin belirtilmesine ihtiyaç duyar. Aynı zamanda, sinir ağı modellerini de araştırmaktayız çünkü onlara insan deneyiminden edilen etki alanı bilgisini enjekte edebiliyoruz. Bazı modeller çok katmanlı algılar kadar basitken bazıları grafik sinir ağları gibi daha karmaşıktır. Buradaki amaç sadece doğruyu değil, aynı zamanda sağlam bir modele sahip olma isteğimizdir. Girdi verileri karmaşıktır ve modelin karmaşıklığı benimsemesi gerekir, böylece tahmini çok amaçlı optimizasyon için doğru ve güvenilirdir. Emin olduğumuz modeller oluşturulduktan sonra, mukavemet tahminlerini ve belirsizlik tahminlerini, kısıtlamalar ve belirsizlikler altında birden fazla hedefin optimizasyonuna enjekte edeceğiz.” dedi.
Fiyat/Performans
Chen: “Düşünülen çoklu hedeflerin tutarsızlıkları olacaktır ve birbirleriyle çelişeceklerdir. Amaç, bir veya birkaçından ödün vermeden hedeflerimize yönelik değerlerin aynı anda daha fazla zorlanamayacağı optimum senaryoları belirlemektir. Örneğin, maliyeti daha da düşürmek istiyorsanız, muhtemelen performanstan veya çevresel etkilerden kayıp vermeniz gerekir. Sonunda, sonuçları politikacılara vereceğiz ve inceleyip seçenekleri tartacaklardır. Örneğin, sera gazında önemli bir azalma altında biraz daha yüksek bir maliyeti tolere edebilirler. Alternatif olarak, maliyet çok az değişirse, ancak somut performans büyük ölçüde değişirse, bu kesinlikle olumlu bir sonuçtur.” dedi.
Zorluklar
Chen: “Endüstriden veya literatürden aldığımız veriler çok karmaşık olabiliyor. Somut ölçümler, nerede ve ne zaman alındığına bağlı olarak değişebilir. Farklı kaynaklardan veri alınması sonucunda eksik veya hatalı verilerle de karşılaşılmaktadır. Bu durum karşısında makine öğrenmesi modelleri oluşturmak ve eğitmek, verileri organize etmek ve kullanılabilir hale getirmek için çok çaba harcanması gerekmektedir ayrıca öngörücü modelleme ve belirsizlik tahminimizde eksik özelliklerin yerine geçen imputasyon tekniklerinin yanı sıra eksik özellikleri tolere eden modelleri de araştırıyoruz.” dedi.
Sonuç
Chen: “Sonuç olarak üreticilere ve politikacılara bir yada daha fazla somut örnek sunarak hem inşaat sektörüne katkı sağlamayı hem de dünyamızın sürdürülebilirliğine adım atmayı umuyoruz.” dedi.
Olivetti: “Karbon ayak izlerini azaltmak için atık malzemelerden yararlanan betonlar tasarlamak için sağlam bir yol geliştirmek istiyoruz. Kimse israf yapmaya çalışmıyor, bu yüzden bunun büyük ölçüde ölçeklenebilir olmasını istiyorsak hammadde olarak tek bir akışa güvenemeyiz. Hammadde değiştirilebilirliği için esnek ve sağlam olmalıyız ve bunun için daha iyi bir anlayışa ihtiyacımız var. Yerel, dinamik ve esnek alternatifler geliştirme yaklaşımımız, bu atıkları neyin reaktif hale getirdiğini öğrenmektir, bu nedenle kullanımlarını nasıl optimize edeceğimizi ve bunu mümkün olduğunca geniş bir şekilde nasıl yapacağımızı biliyoruz. Bunu, çeşitli konularda 5 milyondan fazla metin ve patent hakkındaki literatürden otomatik olarak veri çıkarmak için grubumuzla geliştirdiğimiz yazılım aracılığıyla tahmine dayalı model geliştirme yoluyla yapıyoruz. Yeni çimentoların nihai etkisini tahmin eden yöntemler tasarlamak için IBM işbirlikçilerimizin yaratıcı yetenekleriyle ilişkilendiriyoruz. Başarılı olursak, her yerde bulunan bu malzemenin emisyonlarını azaltabilir ve karbon emisyonlarını azaltma hedeflerine ulaşmada üzerimize düşeni yapabiliriz.” dedi.
Kaynak
https://techxplore.com/news/2021-12-ai-sustainable-concrete.html