Abstract
<jats:p>Постановка задачи. Работа направлена на решение проблемы технологического разрыва между растущими требованиями к проектированию ресурсоэффективных и экологичных бетонов и ограниченными возможностями традиционных опытно-лабораторных методов. Целью является создание цифровой модели изделия, способной не только прогнозировать свойства, но и решать задачу многофакторной оптимизации с учетом технологических, прочностных и экономических ограничений, включая минимизацию стоимости. Результаты. Разработан цифровой помощник для подбора состава. В его основе — интеллектуальная система, которая объединяет несколько математических подходов для максимально точного и понятного прогноза прочности. Модель продемонстрировала высокую точность прогноза: коэффициент детерминации R² = 0,913, средняя абсолютная ошибка MAE = 3,32 МПа. Для объяснения прогнозов применен анализ влияния факторов, выявивший ключевые факторы влияния. Выводы. Модель служит эффективным инструментом для перехода от традиционного подбора состава к цифровому параметрическому проектированию. Это обеспечивает значимое сокращение затрат (например, расхода цемента) и времени на разработку за счет минимизации натурных испытаний. Предложенное решение представляет собой практическую основу для создания ресурсоэффективных и экологичных бетонных смесей.</jats:p> <jats:p>Statement of the problem. This work aims to address the technological gap between the growing requirements for the design of resource-efficient and environmentally friendly concrete and the limitations of traditional experimental laboratory methods. The goal is to create a digital product model capable of not only predicting properties but also solving multifactor optimization problems, taking into account technological, strength, and economic constraints, including cost minimization. Results. A digital assistant for concrete composition selection has been developed. It is based on an intelligent system that combines several mathematical approaches to provide the most accurate and understandable strength prediction. The model demonstrated high prediction accuracy: the coefficient of determination R² = 0.913, and the mean absolute error MAE = 3.32 MPa. To explain the predictions, a factor influence analysis was used, identifying the key influencing factors. Conclusions. The model serves as an effective tool for transitioning from traditional composition selection to digital parametric design. This ensures significant cost reductions (e. g., cement consumption) and development time by minimizing full-scale testing. The proposed solution provides a practical basis for creating resource-efficient and environmentally friendly concrete mixtures.</jats:p>