| کاربرد مدل‌های یادگیری ماشین در پیش‌بینی مقاومت فشاری بتن قلیافعال سرباره‌ای فوق‌توانمند |
| کد مقاله : 1012-CONCRETE (R1) |
| نویسندگان |
|
امین قاسمی مارنانی *1، کیاچهر بهفرنیا2 1دانشجوی کارشناسی ارشد، دانشکده مهندسی عمران، دانشگاه صنعتی اصفهان، اصفهان، اصفهان، ایران 2استاد، دانشکده مهندسی عمران، دانشگاه صنعتی اصفهان، اصفهان، ایران |
| چکیده مقاله |
| بتن‌های فوق‌توانمند به دلیل مقاومت مکانیکی زیاد و دوام قابل توجه، در کاربردهای مختلف مهندسی مورد توجه قرار گرفته‌اند. با این حال، تولید این نوع بتن‌ها به مصرف مقادیر زیاد سیمان نیاز دارد که پیامدهای زیست‌محیطی قابل توجهی به همراه دارد. ازاین‌رو در سال‌های اخیر، بتن قلیافعال فوق‌توانمند، به دلیل عدم استفاده از سیمان پرتلند و امکان بهره‌گیری از مواد جانبی صنعتی مانند سرباره کوره بلند به‌عنوان ماده چسباننده، به‌عنوان جایگزینی پایدار برای بتن‌های فوق‌توانمند معمولی مورد توجه قرار گرفته است. در این پژوهش، به‌منظور پیش‌بینی مقاومت فشاری بتن قلیافعال سرباره‌ای فوق‌توانمند، عملکرد سه مدل یادگیری ماشین نزدیک‌ترین همسایگان (KNN)، جنگل تصادفی (RF) و کت‌بوست (Catboost) با استفاده از معیارهای ارزیابی ضریب تعیین (R2)، میانگین قدرمطلق خطا (MAE) و ریشه میانگین مربعات خطا (RSME) مورد بررسی و مقایسه قرار گرفت. بدین منظور، یک مجموعه‌داده شامل 87 رکورد آزمایشگاهی با پنج پارامتر مقدار سرباره کوره بلند، مقدار سدیم متاسیلیکات پنج‌آبه، مقدار الیاف فولادی، مقدار آب و سن عمل‌آوری به‌عنوان متغیرهای ورودی مورد استفاده قرار گرفت. نتایج نشان داد که مدل کت‌بوست با ضریب تعیین 978/0 و میانگین قدرمطلق خطای 935/1 مگاپاسکال در فاز آزمون، بهترین عملکرد را داشت. پس از آن، مدل جنگل تصادفی با ضریب تعیین 935/0 و مدل نزدیک‌ترین همسایگان با ضریب تعیین 841/0 قرار گرفتند. نتایج نشان‌دهنده توانایی بهتر مدل‌های یادگیری تجمعی، به‌ویژه کت‌بوست، در مدل‌سازی روابط پیچیده و غیرخطی میان پارامترهای ورودی و مقاومت فشاری بتن قلیافعال سرباره‌ای فوق توانمند است. |
| کلیدواژه ها |
| بتن قلیافعال فوق‌توانمند، بتن سرباره‌ای، یادگیری ماشین، کت بوست، پیش‌بینی مقاومت فشاری |
| وضعیت: پذیرفته شده برای ارائه شفاهی |
