Abstract:
CONDITION FOR PROJECT PUBLICATION. The concrete industry faces dual pressure to reduce its significant carbon footprint, associated with cement production, and to sustainably manage increasing volumes of industrial waste. This research addresses both challenges by evaluating Polyaluminum Chloride (PAC) residual sludge, a byproduct of water treatment, as a supplementary cementitious material (SCM). The primary objective was to develop and validate an artificial intelligence predictive model to optimize PAC dosage in concrete and to analyze its technical, economic, and environmental viability. This research utilized a mixed-methods approach, integrating an exhaustive literature review with the analysis of a reference dataset (UCI Concrete Compressive Strength dataset) with the development of a Multilayer Perceptron (MLP) neural network model. A comparative analysis of machine learning algorithms was performed to validate the predictive model. The results demonstrated that while ensemble models like Random Forest (R²=0.954) and the Multilayer Perceptron (MLP) (R²=0.952) showed outstanding and very similar predictive performance, the neural network model was chosen as the model for getting the lowest Mean Absolute Error (2.48 MPa), confirming its robustness and superiority for this engineering application. The model was trained on a robust, unified database of over 3000 samples, including real-world reference data and PAC-specific synthetic data. The results demonstrate the model's high predictive capability, obtaining a Coefficient of Determination (R2) of 0.952 and a Mean Absolute Error (MAE) of 2.48 MPa of compressive strength. Variable importance analysis confirmed the significant role of PAC and its chemical activation in compressive strength. The model identified an optimized mixture with a 27.8% binder substitution by PAC, which not only surpasses the control mix's strength by 34% at 90 days but also improves economic efficiency (MPa/$) by 23%. The life cycle assessment demonstrated that conventional concrete has a total GWP of 350.00 kg CO₂ eq/m³, while the optimized mixture with PAC sludge resulted in a GWP of 375.25 kg CO₂ eq/m³. This thesis concludes that PAC sludge is a viable and high-potential SCM, and that machine learning models are indispensable tools for accelerating its adoption, facilitating the design of sustainable, high-performance concrete.
Keywords: polyaluminum chloride, sludge, water treatment, circular economy, neural networks, concrete, cement
Description:
CONDICIONAMIENTO DE PUBLICACION DE PROYECTO. La industria del concreto enfrenta hoy un reto doble: disminuir los gases de CO2 en la producción de cemento y, al mismo tiempo, encontrar un uso sostenible para los residuos industriales que se generan en grandes volúmenes. En este trabajo se estudió el lodo residual proveniente del Policloruro de Aluminio (PAC), un subproducto del tratamiento de aguas, para evaluar su posible uso como material cementicio suplementario. El objetivo fue desarrollar un modelo que permita predecir y optimizar la dosificación del PAC en mezclas de concreto, analizando su efecto técnico, ambiental y económico. Se diseñó una base de datos con aproximadamente tres mil muestras, combinando información experimental disponible con datos adicionales generados específicamente para este estudio. En esta investigación, se creó y entrenó una red neuronal tipo perceptrón multicapa (MLP). La selección de este modelo se validó mediante un análisis comparativo con otros algoritmos de aprendizaje automático. Si bien tanto el modelo Random Forest (R²=0.954) como el MLP (R²=0.952) mostraron un rendimiento predictivo sobresaliente y muy similar, se optó por la red neuronal al presentar el Error Absoluto Medio más bajo (2.48 MPa), confirmando así su mayor robustez y fiabilidad para esta aplicación de ingeniería. Los resultados demuestran la alta capacidad predictiva del modelo final, que permitió identificar una mezcla optimizada con una sustitución de aglomerante del 27.8% por lodo de PAC. Esta nueva dosificación no solo es viable, sino que presenta mejoras significativas como por ejemplo a los 90 días, la mezcla optimizada supera en un 34% la fuerza de compresión de la mezcla de referencia tradicional y el detalle de costo-rendimiento (MPa/$) reveló una mejora del 23%, indicando un uso más eficiente de los recursos. Finalmente, el análisis de ciclo de vida aportó una perspectiva ambiental crucial. Se determinó que el GWP, o Potencial de Calentamiento Global, de la mezcla optimizada fue de 375.25 kg CO₂ eq/m³, en contraste con los 350.00 kg CO₂ eq/m³ del concreto convencional. Este hallazgo subraya la complejidad de la sostenibilidad en materiales compuestos y la necesidad de un análisis multifactorial. Esta tesis concluye que el lodo de PAC es un SCM viable y de alto potencial, y que los modelos de machine learning son herramientas indispensables para acelerar su adopción, facilitando el diseño de concretos sostenibles y de alto rendimiento.