Onderzoeksrecord VV-0053 — Experimenteel onderzoek en machinaal leren voor de slijtvastheid van beton met steenslagzand
Disclaimer bij vertaling en gebruik: dit is een zo goed mogelijke Nederlandse werkvertaling en redactionele samenvatting van de oorspronkelijke publicatie. Bij verschillen in betekenis, formulering of interpretatie is uitsluitend de oorspronkelijke tekst bepalend. Raadpleeg daarom altijd de originele publicatie via de bronlink.
Oorspronkelijke titel
Experimental Study and Machine Learning-Based Prediction of the Abrasion Resistance of Manufactured Sand Concrete
Brongegevens
- Auteurs
- Xubo Xu, Jicheng Xie, and Yasen Tang
- Jaar
- 2024
- Tijdschrift of instelling
- Buildings 14, no. 11: 3433
- Onderzoekstype
- Experimenteel onderzoek met voorspellingsmodellen
- Website-vakgebieden
- Monolithische betonvloeren; vaktechniek
- Materialen en technieken
- Beton met steenslagzand; kalksteen; diabaas; steenpoeder
- Schadebeeld of thema
- Slijtvastheid; abrasie; samenstelling; kwaliteitscontrole
Nederlandstalige samenvatting en conclusies
Dit onderzoek analyseert welke factoren de slijtvastheid van beton met steenslagzand beïnvloeden. De auteurs vergelijken beton met natuurlijk rivierzand met beton waarin verschillende soorten geproduceerd zand zijn gebruikt. Daarbij worden onder meer zandtype, zandverhouding, gehalte aan steenpoeder, druksterkte en korreleigenschappen betrokken. De studie richt zich op betonklassen C30 en C40, waardoor de resultaten relevant zijn voor toepassingen waarin een betonoppervlak mechanisch wordt belast. Beton met kalksteen- en diabaaszand vertoonde volgens de studie een hogere slijtvastheid dan de vergelijkingsmengsels met rivierzand. De aanwezigheid van steenpoeder en de ruwheid en hardheid van het toeslagmateriaal droegen aan die prestatie bij. Binnen de onderzochte mengsels leidde een lagere zandverhouding, tussen 0,40 en 0,44, tot een hogere slijtvastheid. Een steenpoedergehalte van ongeveer 9 procent gaf in de onderzochte reeks de beste resultaten. De auteurs gebruikten daarnaast grijze correlatieanalyse om de relatieve invloed van de onderzochte factoren te rangschikken. Zij ontwikkelden ook modellen met onder meer XGBoost, random forest, AdaBoost en gradient boosting. Het XGBoost-model presteerde in deze dataset het best bij het voorspellen van slijtageverlies. Voor de vloerpraktijk laat de publicatie zien dat slijtvastheid niet alleen door de nominale betonsterkte wordt bepaald, maar ook door de keuze en verhouding van de toeslagmaterialen. Een voorspellingsmodel kan helpen bij materiaalontwikkeling, maar vervangt geen proef met het concrete mengsel en de beoogde afwerking. De resultaten zijn bovendien gebonden aan de gebruikte materialen, proefmethode en onderzochte betonklassen. De belangrijkste conclusie is dat een zorgvuldige optimalisatie van zandtype, zandverhouding en steenpoedergehalte de abrasieweerstand van beton aanzienlijk kan verbeteren.
Bron
Xu, Xubo, Jicheng Xie, and Yasen Tang. 2024. “Experimental Study and Machine Learning-Based Prediction of the Abrasion Resistance of Manufactured Sand Concrete.” Buildings 14, no. 11: 3433. https://doi.org/10.3390/buildings14113433
Auteur-jaarverwijzing: (Xu, Xie, and Tang 2024)
Openbaarheid en bronlinks
Openbare publicatiepagina of volledige tekst beschikbaar; de oorspronkelijke publicatie blijft de primaire bron.
Opgenomen in het Vloerenvademecum op 11 augustus 2026. De oorspronkelijke publicatie blijft bepalend.