2025/02/07
Minimizing the carbon footprint of 3D printing concrete: Leveraging parametric LCA and neural networks through multiobjective optimization
Jin, W.; Caron, J-F.; Ouellet-Plamondon, C. (2025). Minimizing the carbon footprint of 3D printing concrete: Leveraging parametric LCA and neural networks through multiobjective optimization. Cement and concrete composites, 2025, 157, 105853.
L’impression 3D en béton propose un processus industriel hors site permettant de déposer le matériau uniquement là où il est nécessaire. Cependant, la plupart des méthodes de conception de mélanges rencontrent des difficultés de performance, ce qui explique pourquoi une majorité des matériaux d’impression 3D présentent une forte teneur en clinker. Cette étude propose une méthodologie reproductible pour des matériaux d’impression 3D sur mesure. Appliquée à un mélange quaternaire à faible teneur en clinker, un processus d’optimisation itératif permet de réduire de manière significative le travail nécessaire pour ajuster le matériau. Cette méthodologie inclut une évaluation du cycle de vie et des réseaux de neurones artificiels en tant que fonctions objectives dans la sélection Pareto des solutions les plus performantes. Après la constitution d’une base de données de 18 mélanges avec 6 variables indépendantes et 5 fonctions objectives, des mortiers imprimables de différentes classes de résistance sont conçus en 2 à 4 cycles d’apprentissage actif. Par conséquent, cette technique axée sur l’optimum permet de converger rapidement vers des solutions à faible émission de carbone pour l’impression 3D, en utilisant des matériaux locaux et des procédures de caractérisation personnalisées.