Quantitative Mineralogy: Sorting and Recycling of Construction and Demolition Waste

Ogni anno globalmente, vengono generate quasi 700 milioni di tonnellate di rifiuti da costruzione e demolizione (CDW) derivanti da edifici giunti a fine vita, rappresentando circa il 30% di tutti i rifiuti solidi prodotti globalmente. Poiché la maggior parte delle aree residenziali e delle infrastrutture nei paesi occidentali è stata costruita a metà del XX secolo, il volume di CDW prodotto è destinato ad aumentare nei prossimi decenni. Inoltre anche la costruzione di nuovi edifici richiede ingenti quantità di risorse minerali non rinnovabili ed è associata a significative emissioni di CO₂. Questa tesi di dottorato esplora quindi tematiche chiave per favorire la transizione circolare nel settore delle costruzioni, promuovendo il riutilizzo sicuro ed efficiente dei CDW nello sviluppo di edifici più sostenibili. Il primo passaggio volto al riciclo dei CDW inizia con la cessazione formale della loro classificazione di rifiuto, permettendo quindi la loro reintroduzione come materia prima secondaria a seguito di opportuni trattamenti industriali. In linea con il nuovo regolamento italiano End-of-Waste (D.M. n. 127/2024), sono stati stabiliti valori soglia per determinare se i CDW, dopo essere stati sottoposti a test di cessione, possano essere considerati potenzialmente pericolosi o sicuri per il riutilizzo. Per migliorare e accelerare questo protocollo in questa tesi è stato sviluppato un innovativo approccio basato sul machine learning, che consente di prevedere le concentrazioni di eluato direttamente a partire dalla composizione bulk dei CDW. Il riciclo dei CDW è tipicamente volto alla produzione aggregati riciclati (RAs), i quali oggi sono per lo più impiegati come sottofondi per pavimentazioni, strade e autostrade. Tuttavia, mentre l’espansione delle infrastrutture stradali sta rallentando, il calcestruzzo rimane il secondo materiale più consumato al mondo, dopo l’acqua potabile. La scarsa adozione degli RAs in applicazioni strutturali è dovuta alla loro natura composita e all’elevata eterogeneità, che determinano interazioni irregolari con i leganti cementizi. Infatti, gli RAs sono generalmente caratterizzati dalla presenza di residui di pasta cementizia adesa (AM) sulla loro superficie, considerata il principale ostacolo all’impiego di questi materiali secondari nei calcestruzzi ad alte prestazioni. A tal fine, mediante un innovativo modello mineralogico basato sulla Diffrazione a Raggi X da Polveri (XRPD) è stato ricostruito il volume della AM. Questi dati sono stati successivamente combinati con l’analisi di immagini effettuate su un ampio dataset di campioni di CDW. Tramite un modello di deep learning è così automatizzata la determinazione del volume di AM, consentendo uno screening ad alta velocità dei CDW in ambito industriale. Il modello ha raggiunto un tasso di accuratezza del 90% nel distinguere correttamente gli RAs puliti da quelli con una quantità significativa di AM superficiale. Questo risultato dimostra che una porzione di materie prime secondarie di alta qualità può essere recuperata dal flusso di CDW utilizzando impianti di selezione ottica basati sull’intelligenza artificiale. In fine, gli effetti negativi legati alla presenza di AM sono stati indagati su scala microscopica attraverso tomografia computerizzata a raggi X. Gli effetti negativi risultanti nel calcestruzzo all’aumentare del contenuto di AM evidenziano l’importanza di monitorare questo parametro critico e dimostrano l’efficacia dell’approccio basato su XRPD per la caratterizzazione degli RAs. In conclusione, questa tesi di dottorato affronta aspetti essenziali per implementare la circolarità dei CDW. L’obiettivo è promuovere l’upcycling dei CDW attraverso l’integrazione di tecniche di laboratorio tradizionali con metodologie innovative.

Every year, nearly 700 million tons of construction and demolition waste (CDW) are generated globally from end-of-life buildings, representing approximately 30% of all global solid waste. As most residential areas and infrastructure in Western countries were constructed during the mid-20st century, the volume of CDW produced is expected to soar in the upcoming decades. Additionally, the construction of new buildings, following deconstruction of the old ones, demands vast quantities of nonrenewable mineral resources and is linked to significant CO2 emissions. This doctoral thesis explores key topics aimed at driving the circular transition within this sector, facilitating the safe and efficient reuse of CDW in the development of more sustainable buildings. The circular pathway for CDW begins with the formal cessation of its waste classification, enabling its reintroduction as secondary raw material after undergoing recycling treatments. In line with the new Italian End-of- Waste regulation (D.M. n. 127/2024), legal threshold values have been established to determine whether CDW, following leaching tests, is potentially harmful or safe for reuse. To enhance and accelerate this protocol, a novel machine learning approach has been developed, allowing for the prediction of leachate concentrations based directly on CDW bulk chemical composition. Nowadays, most recycled aggregates (RAs) from CDW are used as sub-bases and bases for pavements/roads and highways. While the expansion of road infrastructure is slowing, concrete remains the second most consumed material globally, following only drinking water. The lack of adoption of RAs in high- grade applications (i.e., structural concrete) comes from the composite nature and the high heterogeneity of these secondary raw materials, which result in uneven interactions with cementitious binders. Indeed, RAs are typically affected by the presence of leftover attached mortar (AM) clinging to their surface. This characteristic is considered the primary obstacle preventing the use of RAs in new structural high-grade concrete. Thus, utilizing a novel mineralogical model based on X-ray Powder Diffraction (XRPD), the volume of AM has been reconstructed. These data are then combined with image analysis performed on a large dataset of CDW samples. To overcome the bottleneck associated with image processing, we further incorporate a deep learning model to automate the determination of the mortar volume, which enables high-throughput screening of CDW in real production. The model shows an impressive 90% recall rate in correctly distinguishing clean RAs from those with a considerable amount of superficial AM. This result shows that a portion of high-quality secondary raw materials can be extracted from the CDW stream using an optical-based sorting plant that employs artificial intelligence. Furthermore, the detrimental effects associated with the presence of AM were also investigated at the microscale level using lab-based X-ray computed tomography, along with optical and scanning electron microscopy. The observed decline trend in various concrete properties with increasing AM content highlights the importance of monitoring this critical parameter and demonstrates the practicality of adopting the proposed XRPD-based approach for testing RAs. In conclusion, this doctoral thesis explores essential aspects of CDW circularity, spanning from the initial End-of-Waste declaration to the latest advancements in sorting technologies and optimal reuse practices. The objective is to promote CDW upcycling by integrating conventional laboratory techniques with innovative machine learning approaches, ultimately presenting scalable solutions to drive innovation in the construction and building materials industries.