Hvordan kan vi utvikle betong med lavere karboninnhold raskere, samtidig som vi opprettholder ytelse, kvalitet og kostnad?
Det er en av byggebransjens største utfordringer, og en som i økende grad krever en annen tilnærming enn tradisjonell prøving-og-feiling-miksdesign.
På årets fib-kongress i Lisboa , en av verdens ledende konferanser for betongteknikk og strukturdesign, presenterte Ecometrix og RISE Research Institutes of Sweden en felles artikkel som utforsker hvordan kunstig intelligens fundamentalt kan endre måten betongresepter utvikles og optimaliseres på.
Fra erfaringsbasert design til datadrevne beslutninger
Design av betongblanding har alltid vært en balansegang.
Ingeniører må samtidig optimalisere styrke, bearbeidbarhet, holdbarhet, produksjonskostnader og miljøytelse, ofte gjennom flere runder med laboratorietesting.
Etter hvert som bærekraftsmålene blir mer ambisiøse og nye materialer kommer på markedet, blir denne prosessen stadig mer kompleks.
Artikkelen som presenteres på fib utforsker hvordan AI kan støtte ingeniører ved å evaluere tusenvis av potensielle betongformuleringer digitalt før fysisk testing starter, noe som reduserer utviklingstiden betydelig og muliggjør bedre informerte beslutninger.
Hvorfor data er viktige
Kunstig intelligens er bare så god som dataene bak den.
Et av hovedfunnene som ble presentert på fib var viktigheten av å bygge et robust datagrunnlag. Forskningen kombinerer industridata, publisert forskning og miljøinformasjon i en database med mer enn 45 000 betongresepter , slik at prediktive modeller kan estimere ytelse, produksjonskostnader og karbonavtrykk fra et foreslått blandingsdesign.
I stedet for å erstatte ingeniørekspertise blir AI et beslutningsstøtteverktøy som lar ingeniører utforske flere alternativer, raskere og med større selvtillit.
Fra forskning til industriell anvendelse
Forskningen som presenteres på fib bygger på teknologien bak ACORN , Ecometrix' AI-plattform for optimalisering av betongresepter.
Innledende validering viste at AI-assistert optimalisering kan redusere antall fysiske testiterasjoner betydelig, samtidig som det opprettholdes sterk samsvar med laboratorieresultater, noe som skaper potensialet for å forkorte oppskriftsutviklingen med 50–60 %.
For en bransje som står overfor økende press for å redusere karbonutslipp samtidig som ytelse og konkurranseevne opprettholdes, representerer dette et viktig skritt mot mer datadrevet produktutvikling.
Utover betong
Selv om artikkelen fokuserer på betong, strekker den bredere lærdommen seg langt utover et enkelt materiale.
På tvers av produksjon og tungindustri oppdager organisasjoner at AI skaper størst verdi når den er bygget på pålitelige data, validert gjennom domeneekspertise og anvendt på reelle ingeniørutfordringer.
Det er filosofien bak ACORN, og bak Ecometrix' bredere tilnærming til industriell AI.
Ser frem
Å presentere dette arbeidet på fib-kongressen i 2026 var en viktig milepæl, ikke bare for ACORN, men for den bredere diskusjonen om hvordan AI kan støtte overgangen til et mer bærekraftig bygd miljø.
Innovasjon skjer ikke bare gjennom algoritmer.
Det skjer når forskning, bransjeekspertise og pålitelige data kommer sammen for å løse utfordringer i den virkelige verden.
Vi ser frem til å fortsette den reisen sammen med våre partnere i RISE, betongindustrien og det bredere forskningsmiljøet.
Om avisen
Artikkelen «AI-drevet optimalisering av betongresepter angående materialparametere, kostnader og miljøavtrykk» ble presentert på fib Congress 2026 i Lisboa av forskere fra RISE Research Institutes of Sweden og Ecometrix . Arbeidet presenterer forskningen og valideringen som ligger til grunn for ACORN, Ecometrix sin AI-plattform for optimalisering av betongresepter.
