AI er overalt – inkludert betong
AI-adopsjon sprer seg over tradisjonelt konservative bransjer, og betongsektoren er ikke lenger et unntak. Fra blandingsdesign og ytelsesforutsigelser til kostnads- og materialoptimalisering blir AI-baserte verktøy i økende grad en del av den daglige ingeniørarbeidsflyten.
Samtidig har bærekraft blitt en avgjørende utfordring for sektoren. Sementindustrien alene står for omtrent 8 % av de globale klimagassutslippene, og med dagens utvikling kan utslippene fra sektoren øke til 3.8 milliarder tonn per år.
I Sverige blir denne utfordringen omsatt i politiske mål. Nasjonale mål krever null CO₂-utslipp fra sementproduksjon innen 2030, klimanøytral betong skal være tilgjengelig innen 2030, og all betong produsert i Sverige skal være klimanøytral innen 2045. Lignende ambisjoner dukker opp over hele Europa, noe som gjør bærekraft til en praktisk begrensning snarere enn en langsiktig ambisjon.
Denne konvergensen har ført til en felles forventning: Adopsjonen av AI vil naturlig nok akselerere fremdriften mot disse målene ved å gjøre bærekraftsbeslutninger enklere og raskere.
I virkeligheten er imidlertid bærekraft i betong formet av komplekse avveininger, databegrensninger og begrensninger i den virkelige verden. AI kan utvide beslutningskapasiteten og forbedre effektiviteten, men det gjør ikke automatisk betong bærekraftig.
Hvorfor bærekraftig betongdesign fortsatt er vanskelig – til tross for AI
Det er utfordrende å bruke kunstig intelligens til bærekraftig betongdesign fordi bærekraft ikke er et optimaliseringsproblem som kun gjelder én dimensjon. CO₂-utslipp fra betong påvirkes av mange faktorer, inkludert kjemiske prosesser og energibehov i sementproduksjon, materialtilgjengelighet og regionale standarder, hvorav mange ligger utenfor kontrollen til blandingsdesignere. Å redusere utslipp på ett område kan lett introdusere begrensninger eller risikoer på et annet.
Samtidig er betongdesign iboende flermålsrettet. Styrke, holdbarhet, bearbeidbarhet, kostnad og karbonavtrykk må alle balanseres. Forbedringer i én dimensjon forringer ofte ytelsen andre steder.
Disse utfordringene forverres ytterligere av databegrensninger: Selv om relevant informasjon finnes på tvers av mange kilder, er den fragmentert og lagret i ulike formater, som EPD-er, laboratorierapporter og eldre databaser, som er vanskelige å integrere i stor skala. Uten et skalerbart datagrunnlag forblir effektiv og pålitelig anvendelse av AI begrenset.
Hvorfor de fleste AI-modeller sliter med betongblandingsdesign
Mange AI-tilnærminger som brukes i betongblandingsdesign er utviklet ved hjelp av begrensede eller snevert omfangede datasett. For å imøtekomme disse begrensningene forenkles problemer ofte på måter som reduserer relevansen under reelle designforhold. Følgelig kan modellutdata være vanskelige å validere, tolke eller anvende med sikkerhet i industrielle omgivelser.
Dette bidrar til et vedvarende gap mellom rapporterte forskningsresultater og implementering i den virkelige verden. Å håndtere disse begrensningene krever en ny vurdering av hvordan AI brukes, med større vekt på datarepresentativitet, kontekstuelle begrensninger og praktisk beslutningsstøtte.
ACORN (AI-drevet betongoppskriftgenerator): En innovativ tilnærming
Med dette som bakteppe ble ACORN, den AI-drevne betongoppskriftgeneratoren, utviklet som et svar på å bygge bro mellom den økende tilgjengeligheten av betongrelaterte data og de praktiske begrensningene som har begrenset arbeidet med å redusere klimapåvirkningen av betong i daglige ingeniørarbeidsflyter.
Systemet bruker en agentisk AI for å løse behovet for samtidig optimalisering av fysiske egenskaper, kostnader, klimapåvirkning og andre begrensninger som lokale standarder og koder. Agentisk AI refererer til AI-systemer som er i stand til iterativ resonnering på tvers av flere begrensninger i stedet for enkelttrinnsprediksjon, noe som gjør ACORN til en unik applikasjon innen dette domenet.
Det er ikke posisjonert som et løfte om automatisert bærekraft, men som en måte å støtte mer informerte beslutninger i stor skala.
ACORN integrerer storskala datainnsamling med maskinlæring for å akselerere utviklingen av høytytende betongblandinger med lavt karboninnhold. Systemet følger en data-først-tilnærming, og kombinerer toppmoderne AI-teknikker, som veiledet læring og sannsynlighetsmodeller, med dyp domenekunnskap om betongmaterialer bygget på en agentisk AI-arkitektur. Eksperimentell validering, bærekraftsmålinger og robust datahåndtering er innebygd som kjernekomponenter i arkitekturen.
For å håndtere det fragmenterte datalandskapet som er typisk for betongindustrien, bruker ACORN naturlig språkbehandling for å strukturere informasjon lagret på tvers av ulike formater, inkludert miljøvaredeklarasjoner (EPD-er), blandingsspesifikasjoner, laboratorierapporter og eldre dokumentasjon. Dette gjør at AI-modeller kan jobbe med datasett som bedre gjenspeiler variasjon og begrensninger i den virkelige verden.
ACORN blir for tiden brukt og videreutviklet gjennom et pågående prosjekt mellom Ecometrix og Prism Johnson i India.
ACORN omdefinerer ikke bærekraft; den operasjonaliserer den innenfor reelle tekniske begrensninger. ACORN muliggjør identifisering og sammenligning av mer bærekraftige betongalternativer innenfor prosjektspesifikke begrensninger, og støtter trinnvise forbedringer som kan anvendes konsekvent og i stor skala.
Hvorfor ACORN skiller seg ut
- Skalerbar, data-først infrastruktur
Aggregering av betongrelaterte data på tvers av flere formater ved hjelp av naturlig språkbehandling for strukturering og standardisering. Innen midten av 2025 inneholdt systemet over 45 000 kuraterte betongblandingsoppskrifter.
- Domeneinformerte AI-modeller
Maskinlæringsmodeller utviklet i nært samarbeid med ekspertise innen betongmaterialer, eksperimentell valideringspraksis og metoder for bærekraftsvurdering.
- Beslutningsstøtte for flermålsdesign
Bruk av Agentic AI for rask evaluering av avveininger mellom styrke, holdbarhet, bearbeidbarhet, kostnad og karbonavtrykk uten å redusere problemene til et enkelt optimaliseringsmål.
- Praktikerorientert grensesnitt
Et brukervennlig grensesnitt som lar utøvere raskt vurdere forventet ytelse og bærekraftskonsekvenser av foreslåtte betongblandinger.
- Støtte for samarbeid med datakonfidensialitet
Modulær og åpen systemarkitektur som tillater integrering av proprietære data samtidig som kontrollen over sensitiv informasjon opprettholdes.
Konklusjon: Fra algoritmer til informerte beslutninger.
Kunstig intelligens' fremtidige rolle i betongindustrien vil ikke bare bli definert av smartere algoritmer, men også av dens evne til å støtte bedre beslutningstaking under reelle begrensninger. Verdien ligger i å utvide beslutningskapasiteten ved å redusere friksjonen forårsaket av fragmenterte data, manuell analyse og begrenset oversikt over ytelse, kostnader og karbonutslipp.
Systemer som ACORN illustrerer hvordan dette skiftet kan oppnås i praksis. Når den er forankret i data, domenekunnskap og praktiske begrensninger, kan AI bli en meningsfull muliggjører av de trinnvise forbedringene som kreves for å fremme betong med lavere karboninnhold.
