Intelligenza artificiale e calcestruzzo: il mix design sta cambiando paradigma
Il mix design del calcestruzzo sta diventando un problema multi-obiettivo: resistenza, lavorabilità, durabilità, costo e impatto ambientale devono essere governati insieme. L’AI può riconoscere relazioni non lineari e ridurre le combinazioni da verificare, ma affidabilità e trasferibilità dipendono prima di tutto dalla qualità dei dati.
Il mix design del calcestruzzo sta passando dalla gestione di poche variabili consolidate a un problema multidimensionale nel quale composizione, prestazioni, durabilità, costo e sostenibilità devono essere valutati simultaneamente. Una review pubblicata su npj Materials Sustainability analizza Machine Learning, modelli ensemble, XGBoost, Deep Learning e ottimizzazione multi-obiettivo applicati al calcestruzzo, mostrando risultati predittivi molto elevati ma anche limiti legati a dataset, generalizzazione e interpretabilità. INGENIO ne propone una lettura tecnica: l’AI non sostituisce laboratorio e tecnologo, ma può diventare uno strumento della progettazione prestazionale.
Dal rapporto acqua/cemento alla complessità del calcestruzzo contemporaneo
Per molti decenni progettare un calcestruzzo - o come si dice nel gergo definire un mix design - ha significato governare un numero relativamente limitato di variabili attraverso relazioni sperimentali consolidate: rapporto acqua/cemento, dosaggio dei leganti, caratteristiche degli aggregati, consistenza, resistenza meccanica, condizioni di esposizione.
Questo patrimonio di conoscenze resta fondamentale. Ma il materiale che oggi dobbiamo progettare è diventato progressivamente più complesso.
Accanto al cemento, all’acqua e agli aggregati entrano sempre più frequentemente supplementary cementitious materials, filler calcarei, ceneri volanti, loppe, fumo di silice, argille calcinate, additivi chimici, fibre e materiali riciclati.
Contemporaneamente aumentano gli obiettivi che una miscela deve soddisfare: non soltanto resistenza, ma lavorabilità, reologia, durabilità, stabilità dimensionale, costo e sostenibilità ambientale. È la stessa review pubblicata su npj Materials Sustainability a descrivere il mix design moderno come un problema nel quale molteplici parametri di ingresso devono essere collegati a differenti obiettivi prestazionali.
Il punto è proprio questo: il calcestruzzo è un materiale multivariabile, caratterizzato da relazioni spesso non lineari e fortemente dipendenti dalle condizioni specifiche nelle quali viene prodotto e utilizzato.
È in questo spazio di complessità che l’Intelligenza Artificiale comincia a mostrare le proprie potenzialità.
Non semplicemente come strumento per prevedere la resistenza a compressione, ma come possibile supporto alla progettazione, all’ottimizzazione e al controllo delle prestazioni del materiale lungo una parte molto più ampia del suo ciclo di vita.
Ma in Europa vogliamo restare all'età della pietra
C’è un paradosso che questa review rende evidente.
Mentre una parte della ricerca internazionale lavora su sistemi nei quali il mix design può aggiornarsi sulla base dei dati reali prodotti dai controlli, in Europa rischiamo di muoverci nella direzione opposta: più prescrizioni, più rigidità, più procedure.
Da una parte si discute di marcatura CE del calcestruzzo e di prestazioni da dichiarare; dall’altra, con la nuova UNI 11104:2025, continuiamo ancora a convivere con tabelle prescrittive, rapporti acqua/cemento, contenuti minimi di cemento e limiti composizionali.
Nel frattempo, la ricerca sull’AI apre uno scenario completamente diverso: ogni controllo di produzione, ogni prova di resistenza, ogni variazione delle materie prime può alimentare il dataset. Il modello si aggiorna, riconosce nuove relazioni e può suggerire un mix design progressivamente più adatto alle condizioni reali.
Non significa lasciare il calcestruzzo a un algoritmo. Significa utilizzare meglio la conoscenza prodotta da laboratorio, impianto e cantiere.
Per decenni abbiamo usato i controlli soprattutto per verificare la conformità. Domani potremmo usarli anche per migliorare il calcestruzzo successivo.
Mentre il mondo entra nell’età dei dati, noi in Europa rischiamo di restare all’età della pietra. E il paradosso è che stiamo parlando proprio di calcestruzzo.
Una grande review pubblicato su Nature fa il punto sull’AI applicata al calcestruzzo
Il riferimento è l’articolo “Artificial intelligence in the design, optimization, and performance prediction of concrete materials: a comprehensive review”, firmato da Dayou Luo, Kejin Wang, Dongming Wang, Anuj Sharma, Wengui Li e In Ho Choi, pubblicato il 17 maggio 2025 su npj Materials Sustainability, rivista del gruppo Nature. Il lavoro, successivamente aggiornato dalla casa editrice, raccoglie e confronta un numero molto ampio di applicazioni dell’Intelligenza Artificiale alla tecnologia del calcestruzzo.
Gli autori prendono in considerazione Machine Learning, Expert Systems, Fuzzy Logic, Natural Language Processing, robotica e Computer Vision, oltre a numerosi algoritmi e sottoinsiemi del machine learning: Artificial Neural Networks, Random Forest, Genetic Algorithms, Deep Learning, Reinforcement Learning e altri ancora.
La forza della review sta soprattutto nell’ampiezza del campo osservato.
L’AI viene analizzata nell’ottimizzazione del mix design, nella previsione delle proprietà allo stato fresco, delle proprietà meccaniche e della durabilità, nella caratterizzazione della microstruttura, nell’ispezione automatizzata delle strutture e nello sviluppo di nuovi materiali. Sono considerati calcestruzzi ordinari, SCC, UHPC, calcestruzzi alcali-attivati, calcestruzzi fibrorinforzati e materiali per stampa 3D.
Il messaggio che emerge è quindi più importante della semplice affermazione secondo cui “l’AI può prevedere la resistenza del calcestruzzo”.
L’Intelligenza Artificiale sta cominciando a entrare nel processo con cui colleghiamo composizione, processo produttivo e prestazioni del materiale.
Prescrizione, prestazione, calcolo: tre modi di affrontare il mix design
Uno dei passaggi più interessanti del lavoro arriva proprio nelle pagine iniziali.
Gli autori distinguono tre approcci principali alla progettazione e al controllo della qualità del calcestruzzo: metodo prescrittivo, metodo prestazionale e metodo computazionale.
È una distinzione importante perché aiuta a comprendere dove l’AI potrebbe incidere maggiormente.
L’approccio prescrittivo traduce l’esperienza accumulata in procedure e proporzioni definite. Ha il grande vantaggio della semplicità e della robustezza ed è stato essenziale per rendere industriale e ripetibile la produzione del calcestruzzo.
Ma quando le esigenze diventano molto specifiche, osservano gli autori, questo approccio dispone di una flessibilità limitata.
Il metodo prestazionale capovolge in parte il ragionamento: si parte dalle proprietà che il materiale deve raggiungere e, attraverso prove di laboratorio e successive iterazioni, si cerca una composizione in grado di soddisfarle. È un approccio molto più flessibile, ma richiede tempo e lavoro proprio per il carattere iterativo del processo di prova e correzione.
Esiste infine il metodo computazionale, che utilizza modelli matematici e algoritmi di ottimizzazione. Anche qui emerge però una difficoltà: i complessi meccanismi che governano le proprietà del calcestruzzo rendono difficile rappresentare con precisione matematica la relazione tra composizione della miscela e prestazioni finali.
Ed è precisamente in questo passaggio che il machine learning acquista interesse.
Perché l’AI può essere utile proprio al mix design
La ragione è relativamente semplice.
Le relazioni che governano il comportamento del calcestruzzo non sono sempre lineari.
Gli stessi autori ricordano che una semplice regressione lineare può essere inadeguata quando gli input del mix design presentano relazioni non lineari con le proprietà di uscita. Modelli come Artificial Neural Networks, Random Forest o Support Vector Regression vengono invece utilizzati proprio per riconoscere relazioni più complesse nei dati.
Il processo descritto nella review parte dalla costruzione del dataset.
I dati possono provenire da prove di laboratorio, simulazioni, letteratura scientifica e prove in campo. Vengono quindi preparati, normalizzati e suddivisi tipicamente tra set di addestramento, validazione e test. Solo successivamente viene selezionato e addestrato l’algoritmo più adatto allo specifico problema.
In altre parole, il sistema apprende dalle relazioni presenti nei dati già disponibili.
È facile comprenderne la potenzialità per il calcestruzzo.
Una variazione del rapporto acqua/legante può modificare contemporaneamente consistenza, resistenza e durabilità. Un’aggiunta minerale può avere effetti differenti a breve e lungo termine. Cambiare aggregato, additivo o condizioni di maturazione può modificare più proprietà nello stesso momento.
Quanto più aumenta il numero delle variabili, tanto più difficile diventa esplorare sperimentalmente ogni possibile combinazione.
L’AI può quindi essere impiegata non per eliminare la sperimentazione, ma per individuare relazioni nei dati, prevedere risultati e ridurre il numero delle combinazioni che è necessario verificare sperimentalmente.
Questo è un punto essenziale.
L’Intelligenza Artificiale non sostituisce automaticamente il laboratorio. Può però rendere molto più efficiente il percorso che porta alla formulazione e alla verifica di una miscela.
Che cos’è il metodo computazionale nel mix design
Il metodo computazionale nel mix design del calcestruzzo è un approccio nel quale la formulazione della miscela viene trattata come un problema quantitativo di modellazione e ottimizzazione. L’obiettivo non è semplicemente individuare una ricetta attraverso successioni di prove sperimentali, ma costruire una rappresentazione matematica del rapporto tra composizione, condizioni di produzione e prestazioni finali.
Il problema viene normalmente descritto attraverso tre livelli.
- Gli input comprendono le variabili che definiscono la miscela e il processo: contenuto di cemento e degli altri leganti, rapporto acqua/legante, tipologia e dosaggio delle supplementary cementitious materials, distribuzione granulometrica e caratteristiche degli aggregati, additivi chimici, fibre, eventuali materiali riciclati, oltre a parametri quali temperatura, tempo di miscelazione, condizioni di maturazione e altre variabili di processo.
- Il modello rappresenta matematicamente la relazione tra questi input e il comportamento del materiale. Può essere costituito da equazioni empiriche, regressioni statistiche, modelli meccanicistici basati sulla conoscenza fisico-chimica del calcestruzzo oppure, negli approcci più recenti, da modelli di machine learning addestrati su dati sperimentali.
- Gli output sono le proprietà che si intendono prevedere o controllare: lavorabilità, slump o slump flow, proprietà reologiche, resistenza a diverse età, modulo elastico, ritiro, creep, permeabilità, resistenza alla penetrazione dei cloruri, durabilità e, sempre più spesso, costo, consumo di risorse ed emissioni associate alla miscela.
Una volta definita una funzione capace di collegare input e output, il problema può essere affrontato mediante algoritmi di ottimizzazione. Questi esplorano lo spazio delle possibili composizioni molto più rapidamente di quanto sarebbe possibile attraverso una campagna sperimentale esaustiva, cercando le soluzioni che rispettano determinati vincoli e massimizzano o minimizzano una funzione obiettivo.
Nel caso più semplice, l’obiettivo potrebbe essere ottenere una determinata resistenza con il minimo contenuto di cemento. Nei problemi più realistici si entra invece nel campo della multi-objective optimization: occorre, ad esempio, raggiungere contemporaneamente una resistenza minima, mantenere la lavorabilità entro una determinata finestra, rispettare requisiti di durabilità, contenere il costo e ridurre il GWP della miscela.
In questi casi non esiste necessariamente una singola composizione “migliore”. Si può ottenere piuttosto un insieme di soluzioni ottimali rispetto ai diversi obiettivi, spesso rappresentato attraverso un fronte di Pareto: migliorare ulteriormente una prestazione significa inevitabilmente peggiorarne almeno un’altra. La decisione finale resta quindi una scelta tecnica tra differenti compromessi prestazionali.
Il vantaggio dell’approccio computazionale è evidente: consente di esplorare uno spazio progettuale composto da centinaia o migliaia di possibili combinazioni, riducendo il numero delle formulazioni che devono essere successivamente verificate in laboratorio.
Il suo limite principale, tuttavia, non risiede nella capacità dell’algoritmo di effettuare l’ottimizzazione, ma nella qualità del modello che descrive il materiale.
Il calcestruzzo è infatti un sistema eterogeneo e fortemente non lineare. Lo stesso rapporto acqua/legante può produrre comportamenti differenti al variare della natura del cemento, della reattività delle aggiunte, dell’assorbimento degli aggregati, della temperatura, dell’additivo utilizzato o delle modalità di maturazione. Inoltre, alcune variabili importanti possono essere difficili da caratterizzare o non essere registrate nei dataset.
Di conseguenza, un modello matematico molto elegante può restituire una soluzione numericamente ottimale ma tecnologicamente poco affidabile se non rappresenta correttamente la realtà fisica del materiale.
È proprio questa difficoltà che sta favorendo l’interesse verso il machine learning e, più recentemente, verso modelli ibridi e physics-informed, nei quali la capacità dell’AI di riconoscere relazioni complesse nei dati viene combinata con vincoli derivati dalla fisica, dalla chimica dell’idratazione e dalla conoscenza sperimentale del calcestruzzo.
Il metodo computazionale, quindi, non elimina la sperimentazione. Ne modifica la funzione: il laboratorio non deve necessariamente esplorare tutte le possibili combinazioni, ma può essere utilizzato per costruire e validare il modello, verificare le soluzioni proposte e aggiornarlo quando cambiano materie prime o condizioni produttive.
In questo senso, il passaggio più importante è da una logica di trial and error a una logica di predict–optimize–validate:
dati e conoscenza del materiale → modello → previsione → ottimizzazione → verifica sperimentale → aggiornamento del modello.
È questo ciclo, più che il singolo algoritmo, a rappresentare il vero salto metodologico del mix design computazionale.
Dal calcestruzzo più resistente al calcestruzzo più appropriato
C’è però un altro elemento della review particolarmente interessante per l’evoluzione della progettazione prestazionale.
Nella pratica, quasi mai il progettista di una miscela deve massimizzare un solo parametro.
Non interessa necessariamente ottenere il calcestruzzo con la maggiore resistenza possibile. Serve piuttosto un materiale che raggiunga una determinata resistenza mantenendo contemporaneamente lavorabilità, durabilità, costo e impatto ambientale entro valori accettabili.
Gli autori affrontano esplicitamente il tema della multi-objective optimization.
Durante la progettazione del calcestruzzo, infatti, devono spesso essere perseguiti simultaneamente obiettivi differenti. La review richiama modelli utilizzati per trovare il miglior compromesso tra prestazioni, durabilità, costo economico e impatto climatico. Per i calcestruzzi sostenibili vengono considerate variabili quali resistenza a compressione, costo, impatti ambientali, CO₂ incorporata, consumo energetico e utilizzo delle risorse.
È probabilmente qui che il tema dell’AI diventa particolarmente interessante per il futuro del calcestruzzo.
Perché la domanda può cambiare.
Non più semplicemente:
quale composizione mi consente di raggiungere 50 MPa?
Ma:
quale composizione mi consente di raggiungere le prestazioni richieste utilizzando la minore quantità possibile di risorse, con un costo sostenibile e un minore impatto ambientale?
Questo significa trasformare il mix design da ricerca di una singola ricetta a problema di ottimizzazione tra più obiettivi contemporaneamente.
XGBoost e modelli ensemble: valori di R² molto elevati
La review comprende anche una meta-analisi delle prestazioni raggiunte dai differenti modelli.
I risultati sono significativi.
Nella previsione della lavorabilità, XGBoost raggiunge nella meta-analisi un valore di R² pari a 0,98, mentre per la previsione della resistenza i modelli ensemble raggiungono R² pari a 0,93. Gli autori concludono più in generale che i modelli ensemble risultano particolarmente efficaci nella previsione delle proprietà del calcestruzzo.
Sono valori che meritano attenzione, ma che devono essere interpretati correttamente.
R² misura la quota della variabilità osservata nel dataset che viene spiegata dal modello. Non significa, quindi, che l’algoritmo “conosca il calcestruzzo al 98%” e neppure che possa ottenere automaticamente la stessa precisione in qualunque centrale di betonaggio o con qualunque insieme di materie prime.
Ed è proprio su questo aspetto che il lavoro diventa particolarmente prudente.
Che cos’è R² e come si calcola
R², o coefficiente di determinazione, è un indicatore statistico utilizzato per valutare quanto bene un modello riesca a spiegare la variabilità dei dati osservati.Il suo valore varia generalmente tra 0 e 1. Un R² pari a 1 indica che il modello riproduce perfettamente i dati del campione analizzato; un valore pari a 0 significa invece che il modello non spiega la variabilità meglio della semplice media dei valori osservati.
Si calcola come:
R² = 1 − (SSres / SStot)
dove:
* SSres è la somma dei quadrati degli errori tra valori reali e valori previsti dal modello;
* SStot è la somma dei quadrati degli scarti tra valori reali e loro media.
In termini semplici, R² misura quanta parte della variabilità presente nei dati viene spiegata dal modello.
Un valore di R² = 0,98, ad esempio, significa che il modello spiega il 98% della variabilità osservata nel dataset considerato.
Attenzione però: non significa che il modello sia “accurato al 98%”. Un R² elevato non garantisce automaticamente capacità predittiva su nuovi dati, né esclude bias, overfitting o errori sistematici. Per questo va sempre valutato insieme ad altri indicatori e a una corretta validazione.
Il problema decisivo: la qualità dei dati
Se c’è una conclusione della review che merita di essere sottolineata per un pubblico tecnico è probabilmente questa: qualità e quantità dei dati, insieme alla scelta dell’algoritmo appropriato, sono condizioni determinanti per ottenere un mix design affidabile.
Non basta quindi scegliere il modello statisticamente più sofisticato.
I dataset reali possono contenere rumore, bias, outlier, valori mancanti oppure dati insufficientemente rappresentativi. Secondo gli autori, questi problemi possono compromettere affidabilità e accuratezza del machine learning indipendentemente dalla qualità dell’algoritmo utilizzato.
Nel caso del calcestruzzo questa osservazione assume un significato particolare.
Una resistenza a compressione non è semplicemente un numero. Dipende dalla composizione, dalle caratteristiche delle materie prime, dalla maturazione e dalle condizioni di prova.
Analogamente, proprietà come lavorabilità, reologia o durabilità devono essere ricondotte a procedure sperimentali e condizioni al contorno chiaramente definite.
Se informazioni rilevanti non entrano nel dataset, il modello può comunque costruire una correlazione, ma aumenta il rischio che tale correlazione funzioni soltanto nelle condizioni nelle quali è stata sviluppata.
Gli stessi autori indicano infatti tra i principali limiti della ricerca disponibile variabilità, incoerenza e scarsa qualità dei dataset, problemi che rendono difficile sia confrontare studi differenti sia generalizzare i modelli.
Un modello che funziona in laboratorio funzionerà anche in centrale o in cantiere?
È questa probabilmente una delle domande più importanti per portare il tema dall’ambito scientifico alla produzione reale.
Le proprietà del calcestruzzo dipendono da molte variabili: caratteristiche delle materie prime, proporzioni della miscela, condizioni di maturazione, condizioni ambientali. Il comportamento risultante è complesso, non lineare e fortemente dipendente dal contesto.
Per questo un modello addestrato utilizzando dati limitati o provenienti da una determinata area può perdere affidabilità quando viene applicato a materiali o condizioni differenti.
È il problema della generalizzazione.
La review lo evidenzia chiaramente: molti modelli vengono sviluppati utilizzando dataset limitati o locali e le loro previsioni possono quindi risultare meno affidabili quando sono applicate a condizioni nuove o non familiari.
Per il settore del calcestruzzo questo significa che un algoritmo addestrato sulle prestazioni di determinati cementi, aggregati, additivi e condizioni climatiche non può essere automaticamente trasferito a qualunque altro contesto produttivo.
Non è una limitazione marginale. È uno dei nodi che separano una promettente sperimentazione accademica da uno strumento industriale realmente affidabile.
Il paradosso dell’AI: più algoritmo, più bisogno di sperimentazione di qualità
Da qui nasce un apparente paradosso.
Si potrebbe pensare che l’Intelligenza Artificiale renda progressivamente meno importante la sperimentazione tradizionale.
La review suggerisce piuttosto il contrario.
Se il comportamento di un sistema di machine learning dipende dalla qualità dei dati utilizzati per addestrarlo e verificarlo, allora la qualità delle prove sperimentali diventa ancora più importante.
Dati affidabili, puliti, rappresentativi e correttamente descritti costituiscono la materia prima dell’algoritmo.
La digitalizzazione del mix design non elimina quindi la metrologia, la conoscenza dei materiali o il controllo delle procedure sperimentali.
Li rende parte dell’infrastruttura necessaria per utilizzare seriamente l’AI.
Non è sufficiente avere molti dati.
Occorre sapere come sono stati prodotti, a quali materiali si riferiscono e in quali condizioni possono essere considerati validi.
Proprio per questo gli autori indicano tra le priorità future la creazione di dataset di alta qualità, standardizzati e accessibili, capaci di aumentare l’affidabilità dei modelli.
Il problema della scatola nera
Esiste poi un secondo limite rilevante.
Molti modelli di Intelligenza Artificiale, soprattutto quelli più complessi, possono raggiungere elevata capacità predittiva senza rendere immediatamente comprensibile il percorso che conduce alla previsione.
È il noto problema della black box.
La review lo indica esplicitamente tra le criticità, soprattutto per il Deep Learning: se non è possibile interpretare sufficientemente le ragioni di una previsione, diventa più difficile verificarne l’affidabilità e, conseguentemente, costruire fiducia nel suo utilizzo industriale.
Per questo gli autori individuano nello sviluppo di modelli di AI interpretabili ed explainable una delle principali direzioni future della ricerca.
È un tema tutt’altro che accademico.
Nel mondo delle costruzioni non basta spesso sapere che una soluzione “funziona”. Occorre poter documentare perché è stata adottata, all’interno di quale dominio di validità e con quali margini di affidabilità.
L’AI applicata ai materiali dovrà quindi confrontarsi non soltanto con l’accuratezza statistica, ma con problemi di verificabilità, responsabilità e controllo tecnico.
E i Large Language Model?
La review arriva anche agli strumenti che in questi anni hanno reso l’Intelligenza Artificiale un fenomeno di massa: i Large Language Model.
Gli autori rilevano che gli LLM sono già stati sperimentati anche nel mix design del calcestruzzo, ma precisano che il loro utilizzo in questo ambito si trova ancora nelle prime fasi di sviluppo.
È una precisazione importante.
Un Large Language Model e un algoritmo di machine learning costruito su un dataset sperimentale controllato non sono la stessa cosa.
Il primo è particolarmente potente nell’elaborazione del linguaggio e nell’interazione con l’utente; il secondo può essere costruito specificamente per stabilire relazioni quantitative tra composizione, condizioni operative e prestazioni misurate.
Pensare oggi di affidare semplicemente a un chatbot la formulazione di un calcestruzzo sarebbe quindi una semplificazione eccessiva rispetto al quadro descritto nella letteratura scientifica.
La prospettiva più interessante potrebbe essere un’altra: integrare differenti strumenti, lasciando ai modelli specializzati l’elaborazione quantitativa e utilizzando eventualmente il linguaggio naturale come interfaccia per interrogare sistemi e database.
Ma su questo fronte la ricerca è ancora agli inizi.
Non soltanto dati: i modelli ibridi
Anche per superare il problema della black box e migliorare l’affidabilità, gli autori indicano tra le prospettive future l’impiego di modelli ibridi, capaci di combinare l’Intelligenza Artificiale con i tradizionali modelli meccanicistici.
È forse una delle indicazioni scientificamente più interessanti dell’intero lavoro.
La sfida, cioè, non consiste necessariamente nel mettere l’AI al posto della conoscenza fisica e chimica del materiale.
Consiste nel far lavorare insieme i due livelli.
Da una parte modelli capaci di descrivere i fenomeni attraverso la conoscenza scientifica; dall’altra sistemi capaci di riconoscere nei dati relazioni complesse difficilmente rappresentabili attraverso equazioni semplici.
Questo approccio potrebbe rendere i modelli non soltanto più accurati, ma anche più comprensibili e trasferibili.
AI e modelli meccanicistici: perché combinarli
Combinare Intelligenza Artificiale e modelli meccanicistici significa integrare due modi diversi di descrivere il comportamento del calcestruzzo.
I modelli meccanicistici partono dalla conoscenza fisica e chimica del materiale: idratazione del cemento, sviluppo della microstruttura, trasporto di acqua e ioni, evoluzione delle resistenze, ritiro, creep e fenomeni di degrado. Sono interpretabili e coerenti con le leggi note, ma possono diventare complessi e richiedere molti parametri.
I modelli di machine learning, invece, apprendono direttamente dai dati sperimentali e possono riconoscere relazioni fortemente non lineari difficili da rappresentare con equazioni tradizionali. Il loro limite è che possono produrre previsioni statisticamente molto accurate ma fisicamente poco plausibili, soprattutto fuori dal dominio dei dati di addestramento.
L’approccio ibrido cerca di unire i vantaggi di entrambi: la fisica impone vincoli e coerenza, l’AI migliora la capacità predittiva.
Nel mix design, ad esempio, un modello meccanicistico può descrivere l’idratazione o la porosità, mentre l’AI può correggere o completare la previsione sulla base dei dati reali.
L’obiettivo non è sostituire la conoscenza del materiale, ma incorporarla nell’algoritmo.
Dalla previsione al controllo nel tempo
La review guarda infine oltre il semplice mix design iniziale.
Tra le prospettive individuate dagli autori compare l’integrazione dell’AI con dati in tempo reale, Internet of Things e digital twin, con l’obiettivo di ottimizzare e prevedere nel tempo le prestazioni del calcestruzzo.
È un passaggio significativo.
Significa immaginare un processo nel quale i dati non vengono utilizzati soltanto per formulare inizialmente il materiale, ma continuano ad alimentare i modelli durante produzione, controllo e vita dell’opera.
Sensoristica, monitoraggio e dati provenienti dalle strutture potrebbero quindi entrare progressivamente nello stesso ecosistema digitale.
L’AI, in questa prospettiva, non sarebbe semplicemente un calcolatore più sofisticato per il mix design, ma una componente di un sistema più ampio di gestione della conoscenza sul materiale.
È una prospettiva che gli stessi autori collocano tra gli sviluppi futuri, non una realtà industriale già consolidata. Ed è importante mantenere questa distinzione.
La competenza del tecnologo non scompare
A questo punto la domanda quasi inevitabile è se tutto questo possa ridurre il ruolo del tecnologo del calcestruzzo.
Probabilmente la questione va posta diversamente.
Se una macchina può esplorare migliaia di combinazioni di input, riconoscere relazioni nascoste nei dati e proporre configurazioni compatibili con obiettivi differenti, una parte del lavoro di ricerca attraverso tentativi successivi può certamente essere ridotta.
Ma qualcuno deve stabilire quali dati siano affidabili.
Qualcuno deve decidere quali parametri costituiscano realmente il problema.
Qualcuno deve comprendere se una previsione sia tecnologicamente plausibile.
Qualcuno deve stabilire quando il sistema sta operando al di fuori del dominio nel quale è stato validato.
E qualcuno deve infine verificare sperimentalmente che il materiale prodotto soddisfi effettivamente le prestazioni richieste.
La competenza non viene quindi necessariamente sostituita.
Può spostarsi a un livello diverso.
Il tecnologo potrebbe progressivamente dedicare meno tempo all’esplorazione manuale delle possibili combinazioni e più tempo alla definizione del problema, alla qualificazione del dato, alla validazione dei modelli e all’interpretazione dei risultati.
Non la fine del mix design, ma forse l’inizio di un mix design diverso
La review pubblicata su npj Materials Sustainability non sostiene che l’Intelligenza Artificiale sia pronta a sostituire le procedure consolidate di progettazione e controllo del calcestruzzo.
Anzi, nelle conclusioni gli autori osservano esplicitamente che, nonostante i forti progressi dell’AI in ambito informatico, la sua applicazione alla tecnologia del calcestruzzo e più in generale alle costruzioni è ancora in fase di sviluppo. Restano problemi di qualità dei dati, generalizzazione, interpretabilità, risorse computazionali, competenze specialistiche, standardizzazione, integrazione nei processi industriali e assenza di linee guida e quadri normativi specifici.
Ma proprio queste cautele rendono il lavoro particolarmente interessante.
Perché il punto non è annunciare che un algoritmo saprà presto inventare da solo il calcestruzzo perfetto.
Il punto è riconoscere che disponiamo di strumenti sempre più potenti per affrontare un problema che sta diventando inevitabilmente più complesso.
Ridurre il clinker, introdurre nuovi SCM, utilizzare materiali riciclati, migliorare la durabilità, contenere il costo e contemporaneamente ridurre l’impatto ambientale significa aumentare il numero delle variabili da controllare.
Ed è precisamente quando aumenta la complessità che la capacità dell’AI di lavorare su grandi quantità di dati e su relazioni non lineari può diventare interessante.
Il vero cambiamento potrebbe quindi essere meno spettacolare, ma assai più profondo.
Non affidare il calcestruzzo all’Intelligenza Artificiale.
Utilizzare l’Intelligenza Artificiale per rendere più concreta una progettazione realmente prestazionale, nella quale composizione, prestazioni, durabilità, costo e sostenibilità possano essere considerate insieme.
Sarà necessario costruire dataset migliori, standardizzare le informazioni, rendere i modelli più interpretabili e soprattutto verificarne l’affidabilità nelle condizioni reali della produzione.
Prima dell’algoritmo, dunque, viene ancora una volta la conoscenza.
E forse è proprio questa la lezione più utile che emerge dalla review: più il calcestruzzo diventa digitale, più diventa importante conoscere profondamente il materiale reale.
Se vuoi lasciare la tua opinione sull'articolo, sulla marcatura ce del calcestruzzo, sull'uso dell'AI nel calcestruzzo compila la scheda a questo link
Fonte
Dayou Luo, Kejin Wang, Dongming Wang, Anuj Sharma, Wengui Li, In Ho Choi, Artificial intelligence in the design, optimization, and performance prediction of concrete materials: a comprehensive review, npj Materials Sustainability, Volume 3, Article 14, pubblicato il 17 maggio 2025.
Articolo predisposto con i l supporto dell'intelligenza artificiale per la traduzione dell'articolo e la revisione finale del testo.
AI - Intelligenza Artificiale
Tutto sull’intelligenza artificiale nel settore AEC: progettazione, BIM, cantiere, manutenzione e gestione tecnica. Scopri come l’AI sta cambiando il lavoro dei professionisti delle costruzioni.
Calcestruzzo Armato
Esplora la guida completa sul calcestruzzo e sul calcestruzzo armato, due elementi fondamentali nell'edilizia. Scopri le composizioni, come l'integrazione di fibre metalliche e polimeriche, e le ultime innovazioni che migliorano le proprietà strutturali. Aggiorna le tue conoscenze sui materiali cementizi per una comprensione avanzata e applicazioni ottimali.
Cementi e Leganti Sostenibili
La sezione INGENIO dedicata ai cementi e leganti sostenibili raccoglie articoli tecnici, normative, casi applicativi e innovazioni per un’edilizia a basso impatto ambientale. Un riferimento essenziale per chi costruisce il futuro.
Condividi su: Facebook LinkedIn Twitter WhatsApp