Betonfestigkeit: Embedding-basierte neuronale Netze übertreffen klassische ML bei Betonfestigkeit

Beton ist das weltweit am häufigsten eingesetzte Baustoffmaterial, doch die zuverlässige Vorhersage seiner Druckfestigkeit bleibt aufgrund von Materialheterogenität, variierenden Mischverhältnissen und Umwelteinflüssen eine große Herausforderung. Mit dem Aufkommen moderner KI-Methoden eröffnen sich nun datengetriebene Modelle, die eine automatisierte Qualitätskontrolle im Bauwesen unterstützen können.

In einer aktuellen Untersuchung wurden rund 70.000 Druckfestigkeitsproben aus der Industrie analysiert. Dabei wurden klassische Machine‑Learning‑Ansätze wie lineare Regression, Entscheidungsbäume und Random Forests mit fortschrittlicheren Techniken wie Transformer‑Netzen und embedding‑basierten neuronalen Netzen verglichen. Alle Modelle berücksichtigten zentrale Misch- und Platzierungsparameter – Wasser‑Zement‑Verhältnis, Zementgehalt, Schüttung, Luftgehalt, Temperatur und Einsatzbedingungen.

Die Ergebnisse zeigen, dass embedding‑basierte neuronale Netze die höchste Genauigkeit erzielen. Der durchschnittliche Fehler bei der 28‑Tage‑Vorhersage liegt bei etwa 2,5 %, was dem Streuverhalten herkömmlicher Laboruntersuchungen entspricht. Damit demonstriert die Methode ein enormes Potenzial für die automatisierte, datenbasierte Qualitätskontrolle in groß angelegten Bauprojekten.

Diese Fortschritte markieren einen wichtigen Schritt hin zu verlässlicheren, KI‑gestützten Entscheidungsunterstützungssystemen im Bauwesen, die nicht nur die Effizienz steigern, sondern auch die Sicherheit und Nachhaltigkeit von Bauwerken verbessern können.