Entwurf eines maschinellen Lernmodells für die präzise Herstellung grüner zementärer Verbundwerkstoffe, modifiziert mit Granitabfallpulver

Wissenschaftliche Berichte Band 12, Artikelnummer: 13242 (2022) Diesen Artikel zitieren

1302 Zugriffe

6 Zitate

2 Altmetrisch

Details zu den Metriken

In dieser Studie wurde ein maschinelles Lernmodell für die präzise Herstellung grüner zementärer Verbundwerkstoffe entwickelt, die mit Granitpulver aus Steinbruchabfällen modifiziert wurden. Zu diesem Zweck wurden Entscheidungsbaum-, Random-Forest- und AdaBoost-Ensemble-Modelle verwendet und verglichen. Basierend auf einer experimentellen Studie wurde eine Datenbank mit 216 Datensätzen erstellt. Die Datenbank besteht aus Parametern wie dem Prozentsatz des durch Granitpulver ersetzten Zements, der Testzeit und den Aushärtungsbedingungen. Es wurde gezeigt, dass diese Methode zur Gestaltung grüner zementärer Verbundmischungen im Hinblick auf die Vorhersage der Druckfestigkeit mithilfe von Ensemblemodellen und nur drei Eingabeparametern genauer und viel präziser sein kann als der herkömmliche Ansatz. Darüber hinaus war künstliche Intelligenz nach bestem Wissen der Autoren eine der effektivsten und präzisesten Methoden, die in den letzten Jahrzehnten in der Design- und Fertigungsindustrie eingesetzt wurden. Die Einfachheit dieser Methode macht sie aufgrund der einfachen Auswertung der Eingangsgrößen besser für die Baupraxis geeignet. Da die Bemühungen zur Reduzierung der Kohlenstoffemissionen zunehmen, ist eine Methode zur Entwicklung grüner zementärer Verbundwerkstoffe ohne Abfallproduktion unerlässlich, die präziser ist als herkömmliche Tests, die in einem Labor durchgeführt werden.

Der Einsatz von Zusatzmitteln bei der Herstellung sogenannter „grüner zementärer Verbundwerkstoffe“ spielt in letzter Zeit eine immer wichtigere Rolle für die nachhaltige Entwicklung. Dies ist vor allem auf den jüngsten weltweiten Trend zur Reduzierung der Menge an Kohlendioxid (CO2) zurückzuführen, die bei der Herstellung von Portlandzement entsteht1,2. Diese Verbundwerkstoffe sind aufgrund der Beimischung von Abfallstoffen und als teilweiser Ersatz für Zement „grün“. Zu diesen Beimischungen gehören hauptsächlich Flugasche, gemahlene Hochofenschlacke (GGBFS) und Granitpulver3,4,5. Ein weiterer Grund für ihre Verwendung ist die Tatsache, dass es sich bei diesen Materialien um Abfälle aus verschiedenen industriellen Prozessen handelt6.

Der Einsatz von Granitmehl als Beimischung in Mörteln ist vor allem deshalb interessant, weil dieses Material schwer zu recyceln ist. Normalerweise wird dieses Abfallmineral gelagert, die Zersetzungszeit beträgt jedoch mehr als 1.000.000 Jahre. Granit ist in Pulverform äußerst gefährlich, da die Pulverpartikel oft in der Luft schweben und in Boden und Wasser gelangen. Daher können mineralische Abfallpulver bei Menschen und Tieren zu Atemversagen führen. Darüber hinaus führt seine Entsorgung zu Wasserverschmutzung und Pflanzenbestäubung (was schädlich für die Umwelt ist). Die Einarbeitung von mineralischen Abfallpulvern in festes Material (wie Mörtel oder Beton) verringert dessen gefährliche Wirkung und mildert deren Schädlichkeit7. In jüngster Zeit konzentrieren sich immer mehr Studien auf das Verhalten von zementären Verbundwerkstoffen, die Granitpulver enthalten. Diese Forschung bezieht sich insbesondere auf die mechanischen Eigenschaften von ausgehärteten zementären Verbundwerkstoffen (z. B. Druckfestigkeit8, Biegefestigkeit9, Zugspaltfestigkeit10).

Die herkömmliche Methode zur Bestimmung der Druckfestigkeit von zementären Verbundwerkstoffen erfordert zerstörende Labortests. Leider sind diese Tests sehr kostspielig und zeitaufwändig. In der Europäischen Union kostet es beispielsweise nicht weniger als 100 Euro, eine Serie von Verbundwerkstoffen zu testen. Da diese Tests destruktiv sind, werden sie an einer begrenzten Anzahl von Proben durchgeführt, was zu ungenauen Ergebnissen führen kann. Dies macht die herkömmliche Methodik unwirksam und erhöht den CO2-Fußabdruck des Prozesses zur Erlangung mechanischer Eigenschaften. Da es mit herkömmlichen Methoden11 außerdem nicht möglich ist, die Druckfestigkeit von Mörtel zu bewerten, der eine große Menge (mehr als 15 % der Zementmasse) Granitpulver als Ersatz für Zement enthält, ist eine genauere Methode erforderlich. Nach bestem Wissen der Autoren war künstliche Intelligenz eine der effektivsten und präzisesten Methoden, die in den letzten Jahrzehnten in der Design- und Fertigungsindustrie eingesetzt wurden.

Um die oben genannten Nachteile zu überwinden, werden immer häufiger Modellierungsmethoden auf der Grundlage von Algorithmen des maschinellen Lernens verwendet, um verschiedene technische Probleme anzugehen (z. B. die Vorhersage der Druckfestigkeit12, der Haftung zwischen zementären Verbundschichten13, des Bodenkompressionskoeffizienten14, der Bodenerosionsanfälligkeit15 und der axialen Kompression). Kapazität16 und die Gestaltung von Betonmischungen17). Eine solche Modellierung mithilfe maschinellen Lernens besteht aus fünf Schritten: Problemdefinition, Datenerfassung, Modellierung, Bewertung und Ergebnisanalyse18.

Unter diesen Techniken erfreuen sich künstliche neuronale Netze (ANNs) besonderer Beliebtheit. In früheren Untersuchungen waren ANNs sehr nützlich für die Vorhersage der Druckfestigkeit von zementären Verbundwerkstoffen19,20,21 und wurden zur Bestimmung der Druckfestigkeit von leichten zementären Verbundwerkstoffen22 und zementären Ziegeln23 sowie der Druckfestigkeit von selbstverdichtenden Verbundwerkstoffen24 verwendet. Für grüne zementäre Verbundwerkstoffe mit unterschiedlichen Zusatzmitteln besteht jedoch noch Forschungsbedarf. Zunächst sollte das Verhalten solcher Verbundwerkstoffe unter verschiedenen Belastungsbedingungen ermittelt werden. Insbesondere beeinflussen diese Zusätze die Druckfestigkeit von Verbundwerkstoffen. Da die Erstellung von auf maschinellem Lernen basierenden Modellen zur Vorhersage der Druckfestigkeit eine zerstörungsfreie Methode zur Identifizierung dieser Eigenschaften darstellt, würde sie außerdem die damit verbundenen Kosten und den Zeitaufwand für Unternehmen, die Beton herstellen, reduzieren. Täglich werden Tonnen Beton verschwendet, weil Druckfestigkeitsprüfungen aufgrund der Anforderungen der geltenden Normen und der Verpflichtung, alle Teile einer ausgehärteten Betonmischung zu prüfen, in manchen Fällen einmal täglich durchgeführt werden25, durchgeführt werden.

In jüngerer Zeit wurden jedoch Studien zur Verwendung von Ensemble-Modellen durchgeführt, da diese Modelle eine sehr hohe Präzision und gute Leistung bei der Vorhersage der Druckfestigkeit von Beton bieten. Dies liegt daran, dass eine Zufallsstruktur lineare Annahmen ablehnt und in der Lage ist, die Bedeutung inkonsistenter Variablen in Datensätzen zu erlernen26. Bemerkenswert ist, dass die meisten Ensemble-Modelle durch einen höheren Überanpassungswiderstand gekennzeichnet sind. Daher wurden verschiedene Ensemblemodelle verwendet, beispielsweise zur Vorhersage der Druckfestigkeit zementärer Verbundwerkstoffe27. Diese Modelle wurden auch erfolgreich zur Vorhersage der Druckfestigkeit von zementären Verbundwerkstoffen eingesetzt, die recycelten Gummi28, Hochofenschlacke, Quarzstaub29 und Flugasche30 enthalten.

Es fehlen jedoch noch Ensemblemodelle zur Vorhersage der Druckfestigkeit von zementären Verbundwerkstoffen (Zementleim, Mörtel oder Beton), bei denen der Zement durch das Abfallgranitpulver ersetzt wird. Dies ist eine Forschungslücke, die geschlossen werden sollte und ein Ziel dieses Artikels ist.

Als Bindemittel wurden in dieser Studie gewöhnlicher Portlandzement (OPC) und Granitpulver (GP) verwendet. Die physikalischen und chemischen Eigenschaften des Zement- und Granitpulvers sind in Tabelle 1 bzw. Abb. 1 beschrieben. Die Partikelgrößenverteilungen von gewöhnlichem Portlandzement und Granitpulver wurden mit Hilfe der Siebgrößenentwicklungsmethode untersucht. Beide Materialien wurden auf eine Siebanordnung gegeben und anschließend 180 s lang geschüttelt. Anschließend wurde der Rückstand auf jedem Sieb gewogen und eine Siebkurve erstellt. Die Partikelgrößenverteilungen von gewöhnlichem Portlandzement und Granitpulver werden in Abb. 1 verglichen. Als Feinzuschlagstoff wurde Flusssand mit einem Feinheitsmodul von 2,40, einem spezifischen Gewicht von 2,45 und einer Wasseraufnahme von 0,82 verwendet. In der vorliegenden Untersuchung wurde Trinkwasser zum Mischen und Aushärten verwendet.

Vergleich der chemischen Eigenschaften und Partikelgrößenverteilungen von gewöhnlichem Portlandzement und Granitpulver.

Im Rahmen dieser Untersuchung wurden 4 Serien von Zementmörteln hergestellt, deren Zusammensetzung sich in der Menge des durch Granitpulver (GP) ersetzten Zements unterschied. Einzelheiten zu den Gewichtsanteilen der in dieser Studie verwendeten Mörtelmischung sind in Tabelle 2 aufgeführt.

Abbildung 2 zeigt den Forschungsablauf. Zunächst wurden die trockenen Zutaten in einen Mixer gegeben und 30 s lang gemischt. Dann wurde Wasser hinzugefügt und die Mischung 90 s lang gemischt. Anschließend wurden die Mörtelreste an den Wänden des Mischers manuell abgezogen und die Mischung 90 s lang gemischt.

Herstellungsprozess von Zementmörtel mit Granitpulver.

Nach dem Mischen wurde die Konsistenz des Mörtels mit der Mörtelslump-Absenkungsmethode31 untersucht und anschließend der Mörtel in vorbereitete Formen gegeben. Vierundzwanzig Stunden nach dem Formen begann der Aushärtungsprozess der Probe. Die Proben wurden in 3 Gruppen eingeteilt und dann gemäß den in Tabelle 3 beschriebenen Bedingungen gelagert.

Nach 7, 28 und 90 Tagen Aushärtung wurden die Proben durch einen Druckfestigkeitstest untersucht. Druckfestigkeitsprüfungen wurden mit einer Druckfestigkeitsprüfmaschine (Abb. 2) gemäß32 durchgeführt.

Im Versuchsprogramm wurden nur drei Variablen variiert: Alter (7, 28 und 90 Tage), Aushärtungsbedingungen (Luftaushärtung, Feuchtluftaushärtung und Wasseraushärtung) und Wasser-Zement-Verhältnis (0,5, 0,56, 0,63 und 0,71). ) als Ausdruck der abnehmenden Menge an Zement und der zunehmenden Menge an Granitmehl. Da die Druckversuche an zwei Hälften nach den Zugfestigkeitsversuchen durchgeführt wurden, betrug die Gesamtzahl der untersuchten Proben 216. In Abb. 3 sind die Ergebnisse der Druckfestigkeit in Bezug auf Alter, Aushärtungsbedingungen und Wassertemperatur dargestellt. Verhältnis von Zement zu Zement.

Die Beziehungen zwischen der Druckfestigkeit und (a) Alter, (b) Aushärtungsbedingungen und (c) Granitpulvermenge.

Gemäß Abb. 3 besteht lediglich ein Zusammenhang zwischen Alter und Druckfestigkeit. Dies wird durch den Wert des Bestimmtheitsmaßes gestützt, der R2 = 0,807 beträgt. Für die anderen Größen und die Druckfestigkeit besteht keine Korrelation, was sich an den sehr niedrigen Werten des Bestimmtheitsmaßes zeigt, die kleiner als R2 = 0,4 sind. Die höchsten Druckfestigkeitswerte wurden erwartungsgemäß für die im Wasser gelagerten Proben erhalten; ihre Aushärtungsbedingungen werden als CC1 bezeichnet. Je älter die Proben sind, desto höher ist der Wert der erhaltenen Druckfestigkeit. Durch die Zugabe des Granitpulvers lassen sich jedoch keine Druckfestigkeitswerte erreichen, die den 60 MPa der Referenzprobe entsprechen, sondern aufgrund der Füllwirkung des Pulvers steigen die Mindestwerte der Druckfestigkeit mit zunehmendem Granitpulvergehalt (von ca 20 MPa bis 28 MPa für 10 % Ersatz von Zement durch Granitpulver und bis 25 MPa für 20 % Ersatz von Zement durch Granitpulver. Dieser Effekt ist für die Gestaltung minderwertiger zementärer Verbundmischungen sehr vielversprechend.

Wie oben erwähnt, gibt es keine starke Korrelation zwischen den Variablen, die Bestandteile der Mischungsverhältnisse, der Aushärtungsbedingungen oder des Testalters und der Druckfestigkeit sind. Daher ist es sinnvoll, numerische Analysen mit ausgefeilteren Techniken durchzuführen, z. B. Ensemble-Modellen.

Diese auf Entscheidungsbäumen basierenden Modelle, die als überwachte maschinelle Lernalgorithmen gelten, sind in der Lage, sowohl Regressions- als auch Klassifizierungsprobleme zu lösen. Die Struktur eines solchen Entscheidungsbaums besteht aus Knoten, in denen eine binäre Entscheidung getroffen wird, und diese Aufteilung wird so lange fortgesetzt, bis der Algorithmus die Daten im Knoten nicht mehr trennen kann33. Dieser Knoten, Blatt des Baumes genannt, liefert die Lösung des Problems. Der Vorteil dieser Art von Algorithmus liegt in der Einfachheit des erhaltenen Modells. Im Gegensatz dazu ist dies jedoch auch ein Nachteil, da es zu einer Überanpassung des Algorithmus führen kann. Entscheidungsbäume sind genau und funktionieren gut bei Datensätzen mit großen Variablenvariationen und wenn die Anzahl der Datensätze nicht groß ist34.

Dieses Problem könnte durch die Verwendung eines Random-Forest-Algorithmus gelöst werden, der viele Entscheidungsbäume verwendet, um die Lösung für ein Problem zu erhalten. Jeder Baum im Wald wird durch einen zufälligen Trainingssatz erstellt, und an jedem Knoten wird eine Aufteilung basierend auf zufällig ausgewählten Eingabevariablen durchgeführt35.

In einigen Fällen ist die Leistung des Random-Forest-Algorithmus jedoch nicht genau und es sollten Anstrengungen unternommen werden, sie zu verbessern. Zu diesem Zweck ist von den verschiedenen Ensemble-Lernalgorithmen der adaptive Boosting-Algorithmus (AdaBoost) der typischste und am weitesten verbreitete36. Dieser Algorithmus ist effektiv, da der nächste Baum im Algorithmus basierend auf der Präzision des vorherigen Baums modifiziert wird, wodurch die Lernfähigkeit gestärkt wird. Das Strukturschema eines Entscheidungsbaums, bei dem die Eingabevariablen mit Xi und die Ausgabevariable mit Yi bezeichnet werden, ist in Abb. 4 in Kombination mit den Random-Forest- und AdaBoost-Algorithmusschemata dargestellt.

Schemata von Ensemblemodellen: (a) Entscheidungsbaum, (b) Random Forest und (c) AdaBoost.

Der Grad der Präzision der Modelle wird anhand einiger Parameter bewertet, zu denen laut37 der lineare Korrelationskoeffizient (R), der mittlere absolute Fehler (MAE), der mittlere quadratische Fehler (RMSE) und der mittlere durchschnittliche prozentuale Fehler gehören können ( Karte). Die Berechnungen dieser Parameter werden wie folgt durchgeführt:

wobei y der Messwert aus dem experimentellen Test ist; \(\hat{y}\), vorhergesagter Wert aus den Analysen; \(\overline{y}\), Mittelwert; n, Anzahl der Datenproben im Prozess.

Beachten Sie, dass ein R-Wert näher bei 1 einer besseren Vorhersage des Algorithmus entspricht. Niedrigere Werte von MAE, RMSE und MAPE bedeuten wiederum, dass der Algorithmus die Ausgabevariablen besser vorhersagt als die anderen Algorithmen. Um eine Überanpassung zu vermeiden, wird zusätzlich eine zehnfache Kreuzvalidierung gemäß38 durchgeführt, wie in Abb. 5 dargestellt.

Die Aufteilung der Kreuzvalidierungsfalten.

Basierend auf der in Abb. 5 dargestellten Aufteilung des Datensatzes wird eine numerische Analyse durchgeführt. Die Leistung jeder Falte wird bewertet und in Abb. 6 anhand der Werte von R, MAE, RMSE und MAPE dargestellt. Darüber hinaus sind in Abb. 7 die Beziehungen zwischen dem experimentell gemessenen Druckfestigkeitswert und den mit maschinellen Lernalgorithmen ermittelten Werten dargestellt, kombiniert mit der Fehlerverteilung in Abb. 8.

Die Leistung der Analysen wird anhand (a) des linearen Korrelationskoeffizienten, (b) des mittleren durchschnittlichen Fehlers, (c) des quadratischen Mittelfehlers und (d) des mittleren durchschnittlichen prozentualen Fehlers bewertet.

Die Beziehungen zwischen der gemessenen Druckfestigkeit und der vorhergesagten Druckfestigkeit durch (a) Entscheidungsbaum-, (b) Zufallswald- und (c) AdaBoost-Algorithmen.

Vorhersagefehlerverteilung: (a) Werte und (b) Prozentsatz.

Nach Abb. Wie aus den Abbildungen 6, 7 und 8 hervorgeht, sind alle untersuchten Ensemblemodelle hinsichtlich der Vorhersage der Druckfestigkeit von Mörtel mit Abfallgranit sehr präzise. Dies wird durch die sehr hohen Werte für die lineare Korrelation des Koeffizienten R belegt, die nahe bei 1,0 liegen. Die Genauigkeit der Leistung wird auch durch die sehr geringen Fehlerwerte untermauert, die, wie in Abb. 7 dargestellt, bei weniger als 4 % liegen. Darüber hinaus sagen die vorgeschlagenen Modelle laut Abb. 8 die Druckfestigkeitswerte genau voraus und können die Festigkeit nur einiger weniger Proben nicht richtig vorhersagen (der prozentuale Fehler liegt über 10 %).

Das vorgeschlagene Modell ist auch im Vergleich zu anderen maschinellen Lernalgorithmen genau, die zur Vorhersage der Druckfestigkeit grüner zementärer Verbundwerkstoffe mit unterschiedlichen Zusatzmitteln verwendet werden. Einige ausgewählte Arbeiten werden in Tabelle 4 zusätzlich zu den Ergebnissen vorgestellt, die mit den in dieser Arbeit vorgestellten Modellen erzielt wurden.

Die Analyse der Ergebnisse in Tabelle 4 zeigt, dass die Genauigkeit der Druckfestigkeit grüner zementärer Verbundwerkstoffe mithilfe von Algorithmen für maschinelles Lernen sehr hoch ist. Darüber hinaus wird in dieser Arbeit ein sehr genaues Modell zur Vorhersage der Druckfestigkeit von grünen zementären Verbundwerkstoffen erstellt, die im Vergleich zu den zuvor untersuchten Zusätzen unterschiedliche Zusätze enthalten.

In diesem Artikel wurde ein Vergleich von drei Ensemblemodellen zur Vorhersage der Druckfestigkeit von Mörteln mit Granitmehlabfällen unter Berücksichtigung des Probenalters und der Aushärtungsbedingungen vorgestellt. Zu diesem Zweck wurde eine Datenbank basierend auf einem experimentellen Programm aufgebaut. Diese Datenbank wurde auf der Grundlage von Tests erstellt, die an standardisierten Proben durchgeführt wurden, die in unterschiedlichem Alter hergestellt und getestet und unter verschiedenen Bedingungen ausgehärtet wurden. Basierend auf der vorgestellten Forschung können folgende Schlussfolgerungen gezogen werden:

Der Artikel zeigt, dass es möglich ist, die Druckfestigkeit von Mörteln mit Granitpulverzusätzen anhand von nur drei Parametern vorherzusagen: dem Testalter, dem Wasser-Zement-Verhältnis und den Aushärtungsbedingungen. Daher kann die vorgestellte Methode als einfach und zuverlässig in der Anwendung angesehen werden.

Die Nützlichkeit dieser Methode wurde durch die sehr hohen Werte des linearen Korrelationskoeffizienten R bewiesen, die 0,989 für den Entscheidungsbaum, 0,989 für den Random Forest und 0,988 für AdaBoost betragen.

Alle Modelle zeichneten sich durch niedrige Fehlerwerte aus, die im Fall von MAE weniger als 1,270 MPa, im Fall von RMSE weniger als 2,633 MPa und im Fall von MAPE weniger als 3,35 % betrugen.

Die Autoren betonen, dass die vorgeschlagene Methode Einschränkungen aufweist, zu denen die Testzeit und das Wasser-Zement-Verhältnis gehören. Allerdings waren die einzigen Aushärtungsbedingungen, die in dieser Arbeit nicht berücksichtigt wurden, hohe Temperaturen; Daher können diese Modelle unter fast allen Bedingungen verwendet werden, unter denen Proben ausgehärtet werden. Aus praktischer Sicht könnte es hilfreich sein, zu überprüfen, ob dieses Modell für Proben anderer Forscher korrekt ist. Darüber hinaus sollte überprüft werden, ob das Modell für ähnliche zementäre Verbundmischungen, jedoch mit anderen Abfallmineralpulvern, verwendet werden kann. Darüber hinaus könnte es von Vorteil sein, andere Eigenschaften grüner zementärer Verbundwerkstoffe zu modellieren, wie z. B. Zugfestigkeit unter der Oberfläche, Kriechdehnung oder Schrumpfung. Darüber hinaus wäre es aufgrund des ökologisch inspirierten Vorstoßes zur Verwendung von Abfallmaterialien in zementären Verbundwerkstoffen sinnvoll, das Modell ständig zu aktualisieren, um es für neu entwickelte zementäre Verbundwerkstoffe geeignet zu machen.

Alle während dieser Studie generierten oder analysierten Daten sind in diesem veröffentlichten Artikel und seinen ergänzenden Informationsdateien enthalten.

Monteiro, PJM, Miller, SA & Horvath, A. Auf dem Weg zu nachhaltigem Beton. Nat. Mater. 16, 698–699. https://doi.org/10.1038/nmat4930 (2017).

Artikel ADS CAS PubMed Google Scholar

He, B., Huang, S. & Wang, J. CO2-armes Produktdesign unter Verwendung eines dynamischen Programmieralgorithmus. Int. J. Precis. Ing. Hersteller 2, 37–42. https://doi.org/10.1007/s40684-015-0005-z (2015).

Artikel Google Scholar

Han, IJ, Yuan, TF, Lee, JY, Yoon, YS & Kim, JH Erlernte Vorhersage der Druckfestigkeit von GGBFS-Beton mithilfe hybrider künstlicher neuronaler Netzwerkmodelle. Mater. 12, 12223708. https://doi.org/10.3390/ma12223708 (2019).

Artikel CAS Google Scholar

Szelag, M. Intelligente Vorhersagemodellierung der mechanischen Leistung des mit Ziegelpulver modifizierten Zementleims nach dem Erhitzen basierend auf den Eigenschaften der Rissmuster. Gehäusebolzen. Konstr. Mater. 15, e00668. https://doi.org/10.1016/j.cscm.2021.e00668 (2021).

Artikel Google Scholar

Krzywiński, K. et al. Engineering und Herstellungstechnologie für grüne Epoxidharzbeschichtungen, modifiziert mit recycelten Feinzuschlagstoffen. Int. J. Precis. Ing. Hersteller Grüne Technologie. 9, 253–271. https://doi.org/10.1007/s40684-021-00377-w (2022).

Artikel Google Scholar

Galińska, A. & Czarnecki, S. Die Wirkung von Mineralpulvern aus Industrieabfällen auf ausgewählte mechanische Eigenschaften von Beton. IOP-Konf. Ser. Mater. Wissenschaft. Ing. 245, 032039. https://doi.org/10.1088/1757-899X/245/3/032039 (2017).

Artikel Google Scholar

Chowaniec, A., Czarnecki, S. & Sadowski, Ł. Verringerung der gefährlichen Wirkung von Quarzmehlabfällen und der Toxizität von Epoxidharz durch dessen synergistische Anwendung in Industriebeschichtungen. Umgebung. Wissenschaft. Umweltverschmutzung. Res. https://doi.org/10.1007/s11356-022-19772-0 (2022).

Artikel Google Scholar

Asteris, PG et al. Vorhersage der Druckfestigkeit von Zementmörteln mithilfe maschineller Lerntechniken. Neuronale Berechnung. Appl. 33, 13089–13121. https://doi.org/10.1007/s00521-021-06004-8 (2021).

Artikel Google Scholar

Jain, A., Gupta, R. & Chaudhary, S. Nachhaltige Entwicklung von selbstverdichtendem Beton durch Verwendung von Granitabfällen und Flugasche. Konstr. Bauen. Mater. 262, 120516. https://doi.org/10.1016/j.conbuildmat.2020.120516 (2020).

Artikel Google Scholar

Rashwan, MA, Al-Basiony, TM, Mashaly, AO & Khalil, MM Verhalten von frischem und ausgehärtetem Beton mit Marmor- und Granitschlamm als Zementersatz. J. Bauen. Ing. 32, 101697. https://doi.org/10.1016/j.jobe.2020.101697 (2020).

Artikel Google Scholar

Gołaszewski, J., Cygan, G. & Drewniok, M. Entwerfen der Zusammensetzung von Betonmischungen basierend auf den Eigenschaften von Mörtel. Technik. Trans. Bauingenieur. 1-B, 29–37 (2014).

Google Scholar

Ahmad, A. et al. Vorhersage der Druckfestigkeit von Beton auf Flugaschebasis mithilfe eines Einzel- und Ensemblealgorithmus. Mater. 14, 794. https://doi.org/10.3390/ma14040794 (2021).

Artikel CAS Google Scholar

Czarnecki, S., Sadowski, Ł & Hoła, J. Künstliche neuronale Netze zur zerstörungsfreien Identifizierung der Zwischenschichtbindung zwischen Reparaturauflage und Betonuntergrund. Adv. Ing. Softw. 141, 102769. https://doi.org/10.1016/j.advengsoft.2020.102769 (2020).

Artikel Google Scholar

Bui, DT, Nhu, V.-H. & Hoang, N.-D. Vorhersage des Bodenkompressionskoeffizienten für städtische Wohnprojekte mithilfe eines neuartigen Integrationsansatzes für maschinelles Lernen von Schwarmintelligenz und einem mehrschichtigen Perceptron-Neuronalen Netzwerk. Adv. Ing. Inf. 38, 593–604. https://doi.org/10.1016/j.aei.2018.09.005 (2018).

Artikel Google Scholar

Vu, DT, Tran, XL, Cao, MT, Tran, TC & Hoang, ND Auf maschinellem Lernen basierende Vorhersage der Anfälligkeit für Bodenerosion unter Verwendung eines durch den Social-Spider-Algorithmus optimierten multivariaten adaptiven Regressions-Spline. Messung 164, 108066. https://doi.org/10.1016/j.measurement.2020.108066 (2020).

Artikel Google Scholar

Tran, VL, Thai, D.-K. & Kim, S.-E. Anwendung von ANN bei der Vorhersage des ACC der SCFST-Spalte. Kompositionen. Struktur. 228, 111332. https://doi.org/10.1016/j.compstruct.2019.111332 (2019).

Artikel Google Scholar

Rudnicki, T. Funktionelle Methode zur Gestaltung von selbstverdichtendem Beton. Materialien 14, 267. https://doi.org/10.3390/ma14020267 (2021).

Artikel ADS CAS PubMed Central Google Scholar

Kim, DH et al. Intelligenter Bearbeitungsprozess mit maschinellem Lernen: ein Rückblick und eine Perspektive auf die Bearbeitungsindustrie. Int. J. Precis. Ing. Hersteller-Grün. Technik. 5, 555–568. https://doi.org/10.1007/s40684-018-0057-y (2018).

Artikel Google Scholar

Nikoo, M., Moghadam, FT & Sadowski, L. Vorhersage der Betondruckfestigkeit durch evolutionäre künstliche neuronale Netze. Adv. Mater. Wissenschaft. Ing. https://doi.org/10.1155/2015/849126 (2015).

Artikel Google Scholar

Behnood, A. & Golafshani, EM Vorhersage der Druckfestigkeit von Quarzstaubbeton mithilfe eines hybriden künstlichen neuronalen Netzwerks mit multiobjektiven grauen Wölfen. J. Cleaner Prod. 202, 54–64. https://doi.org/10.1016/j.jclepro.2018.08.065 (2018).

Artikel CAS Google Scholar

Kandiri, A., Golafshani, EM & Behnood, A. Schätzung der Druckfestigkeit von Betonen, die gemahlene granulierte Hochofenschlacke enthalten, unter Verwendung eines hybridisierten Multiobjektiv-ANN- und Salp-Swarm-Algorithmus. Konstr. Mater bauen. 248, 118676. https://doi.org/10.1016/j.conbuildmat.2020.118676 (2020).

Artikel Google Scholar

Khan, SU, Ayub, T. & Rafeeqi, SFA Vorhersage der Druckfestigkeit von einfachem Beton, der mit Ferrozement umschlossen ist, unter Verwendung eines künstlichen neuronalen Netzwerks (ANN) und Vergleich mit vorhandenen mathematischen Modellen. Bin. J. Civil Eng. Bogen. 1, 7–14. https://doi.org/10.12691/ajcea-1-1-2 (2013).

Artikel CAS Google Scholar

Zhou, Q., Wang, F. & Zhu, F. Schätzung der Druckfestigkeit von Hohlprismen aus Betonmauerwerk unter Verwendung künstlicher neuronaler Netze und adaptiver Neuro-Fuzzy-Inferenzsysteme. Konstr. Bauen. Mater. 125, 417–426. https://doi.org/10.1016/j.conbuildmat.2016.08.064 (2016).

Artikel Google Scholar

Safiuddin, M., Raman, SN, Salam, MA & Jumaat, MZ Modellierung der Druckfestigkeit für selbstverfestigenden hochfesten Beton mit Palmöl-Brennasche. Mater. 9, 5. https://doi.org/10.3390/ma9050396 (2016).

Artikel CAS Google Scholar

EN 206+A2:2021–08 Beton – Spezifikation, Leistung, Produktion und Konformität, PKN, Warschau 2021

DeRousseau, MA, Laftchiev, E., Kasprzyk, JR, Rajagopalan, B. & Srubar, WV III. Ein Vergleich maschineller Lernmethoden zur Vorhersage der Druckfestigkeit von Feldbeton. Konstr. Bauen. Mater. 228, 116661. https://doi.org/10.1016/j.conbuildmat.2019.08.042 (2019).

Artikel Google Scholar

Erdal, HI, Karakurt, O. & Namli, E. Hochleistungsvorhersage der Betondruckfestigkeit mithilfe von Ensemblemodellen basierend auf diskreter Wavelet-Transformation. Ing. Appl. Artif. Intel. 26(4), 1246–1254. https://doi.org/10.1016/j.engappai.2012.10.014 (2013).

Artikel Google Scholar

Kovacevic, M., Lozancic, S., Nyarko, EK & Hadzima-Nyarko, M. Modellierung der Druckfestigkeit von selbstverdichtendem gummiertem Beton mittels maschinellem Lernen. Materialien 14(15), 4346. https://doi.org/10.3390/ma14154346 (2021).

Artikel ADS CAS PubMed PubMed Central Google Scholar

Chou, JS & Pham, AD Verbesserte künstliche Intelligenz für den Ensemble-Ansatz zur Vorhersage der Druckfestigkeit von Hochleistungsbeton. Konstr. Bauen. Mater. 49, 554–563. https://doi.org/10.1016/j.conbuildmat.2013.08.078 (2013).

Artikel Google Scholar

Erdal, HI Zweistufige und hybride Ensembles von Entscheidungsbäumen für die Vorhersage der Druckfestigkeit von Hochleistungsbeton. Ing. Appl. Artif. Intel. 26(7), 1689–1697. https://doi.org/10.1016/j.engappai.2013.03.014 (2013).

Artikel Google Scholar

EN 12350–2:2011, Prüfung von Frischbeton – Teil 2: Slump-Test

EN 12390–3:2019–07, Prüfung von Festbeton – Teil 3: Druckfestigkeit von Probekörpern

Kamiński, B., Jakubczyk, M. & Szufel, P. Ein Rahmen für die Sensitivitätsanalyse von Entscheidungsbäumen. Cent. EUR. J. Oper. Res. 26, 135–159. https://doi.org/10.1007/s10100-017-0479-6 (2018).

Artikel MathSciNet PubMed MATH Google Scholar

Sharafati, A., Haji Seyed Asadollah, SB & Al-Ansari, N. Anwendung des Bagging-Ensemble-Modells zur Vorhersage der Druckfestigkeit von Hohlprismen aus Betonmauerwerk. Ain Shams Eng. J. 12(4), 3521–3530. https://doi.org/10.1016/j.asej.2021.03.028 (2021).

Artikel Google Scholar

Han, Q., Changqing, G., Xu, J. & Lacidogna, G. Eine verallgemeinerte Methode zur Vorhersage der Druckfestigkeit von Hochleistungsbeton durch einen verbesserten Random-Forest-Algorithmus. Konstr. Bauen. Mater. 226, 734–742. https://doi.org/10.1016/j.conbuildmat.2019.07.315 (2019).

Artikel Google Scholar

Feng, DC et al. Auf maschinellem Lernen basierende Druckfestigkeitsvorhersage für Beton: Ein adaptiver Boosting-Ansatz. Konstr. Bauen. Mater. 230, 117000. https://doi.org/10.1016/j.conbuildmat.2019.117000 (2020).

Artikel Google Scholar

Asteris, PG, Skentou, AD, Bardhan, A., Samui, P. & Pilakoutas, K. Vorhersage der Betondruckfestigkeit mithilfe einer hybriden Kombination von Ersatzmodellen für maschinelles Lernen. Cem. Konz. Res. 145, 106449 (2021).

Artikel CAS Google Scholar

Vakharia, V. & Gujar, R. Vorhersage der Druckfestigkeit und der Portlandzementzusammensetzung mithilfe von Kreuzvalidierungs- und Feature-Ranking-Techniken. Konstr. Bauen. Mater. 225, 292–301 (2019).

Artikel Google Scholar

Referenzen herunterladen

Die Autoren erhielten Mittel für die Durchführung der numerischen Analyse und eine mögliche Vernetzung aus einem von der COST Association unterstützten Projekt [Fördernummer ECOST-STSM-CA18224-230821-130644 „Anwendung neuartiger Techniken des maschinellen Lernens zur Vorhersage der Druckfestigkeit von zementhaltigen Verbundwerkstoffen, die Abfälle enthalten“. Granitpulver.“]

Die Autoren erhielten Mittel für die Vorbereitung der Proben aus einem Projekt, das vom Nationalen Zentrum für Forschung und Entwicklung in Polen unterstützt wurde [Zuschuss Nr. LIDER/35/0130/L-11/19/NCBR/2020 „Die Verwendung von Granitpulverabfällen für die Herstellung ausgewählter Bauprodukte.“]

Abteilung für Werkstofftechnik und Bauprozesse, Breslauer Universität für Wissenschaft und Technologie, Wybrzeze Wyspiańskiego 27, 50-370, Breslau, Polen

Sławomir Czarnecki, Adrian Chajec & Łukasz Sadowski

Fakultät für Bauingenieurwesen und Architektur Osijek, Josip Juraj Strossmayer Universität Osijek, Vladimira Preloga 3, 31000, Osijek, Kroatien

Marijana Hadzima-Nyarko

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

SC, LS und MH-N. entwarf den Forschungsplan und das Forschungskonzept; AC führte die Labortests durch und bereitete die Daten auf, SC führte die numerischen Analysen durch, SC und M. HN. schrieb den Entwurf des Manuskripts, AC und LS überarbeiteten das Manuskript, LS akquirierte die Finanzierung für diese Forschung.

Korrespondenz mit Sławomir Czarnecki.

Die Autoren geben an, dass keine Interessenkonflikte bestehen.

Springer Nature bleibt neutral hinsichtlich der Zuständigkeitsansprüche in veröffentlichten Karten und institutionellen Zugehörigkeiten.

Open Access Dieser Artikel ist unter einer Creative Commons Attribution 4.0 International License lizenziert, die die Nutzung, Weitergabe, Anpassung, Verbreitung und Reproduktion in jedem Medium oder Format erlaubt, sofern Sie den/die ursprünglichen Autor(en) und die Quelle angemessen angeben. Geben Sie einen Link zur Creative Commons-Lizenz an und geben Sie an, ob Änderungen vorgenommen wurden. Die Bilder oder anderes Material Dritter in diesem Artikel sind in der Creative Commons-Lizenz des Artikels enthalten, sofern in der Quellenangabe für das Material nichts anderes angegeben ist. Wenn Material nicht in der Creative-Commons-Lizenz des Artikels enthalten ist und Ihre beabsichtigte Nutzung nicht gesetzlich zulässig ist oder über die zulässige Nutzung hinausgeht, müssen Sie die Genehmigung direkt vom Urheberrechtsinhaber einholen. Um eine Kopie dieser Lizenz anzuzeigen, besuchen Sie http://creativecommons.org/licenses/by/4.0/.

Nachdrucke und Genehmigungen

Czarnecki, S., Hadzima-Nyarko, M., Chajec, A. et al. Entwurf eines maschinellen Lernmodells für die präzise Herstellung grüner zementärer Verbundwerkstoffe, modifiziert mit Granitabfallpulver. Sci Rep 12, 13242 (2022). https://doi.org/10.1038/s41598-022-17670-6

Zitat herunterladen

Eingegangen: 3. März 2022

Angenommen: 28. Juli 2022

Veröffentlicht: 02. August 2022

DOI: https://doi.org/10.1038/s41598-022-17670-6

Jeder, mit dem Sie den folgenden Link teilen, kann diesen Inhalt lesen:

Leider ist für diesen Artikel derzeit kein gemeinsam nutzbarer Link verfügbar.

Bereitgestellt von der Content-Sharing-Initiative Springer Nature SharedIt

Wissenschaftliche Berichte (2023)

Wissenschaftliche Berichte (2023)

Archiv für Computermethoden im Ingenieurwesen (2023)

Asian Journal of Civil Engineering (2023)

Durch das Absenden eines Kommentars erklären Sie sich damit einverstanden, unsere Nutzungsbedingungen und Community-Richtlinien einzuhalten. Wenn Sie etwas als missbräuchlich empfinden oder etwas nicht unseren Bedingungen oder Richtlinien entspricht, kennzeichnen Sie es bitte als unangemessen.