В статье, недавно опубликованной в журнале «Materials» с открытым доступом, исследователи обсудили предсказание прочности на сжатие бетонов на основе отходов с помощью искусственной нейронной сети (ИНС)

Предистория

На окружающую среду и климат серьезно влияет чрезмерное использование материалов и расточительное использование ресурсов. По объему и товарообороту бетон обогнал все остальные строительные материалы как наиболее значимый. Бетонная промышленность во всем мире ежегодно потребляет более 8–12 миллиардов тонн природных заполнителей.

В связи с этим растет интерес к использованию вяжущих, изготовленных из других отходов, и установлена ​​их эффективность. Исследования комплексных методов прогнозирования прочности бетона или раствора, изготовленного из побочных продуктов, все еще отсутствуют. Многие исследования недавно использовали методы экстраполяции для прогнозирования прочности на сжатие вяжущих материалов. ИНС представляется подходящим и эффективным методом среди этих подходов.

Согласно нескольким недавним исследованиям, ИНС можно использовать для решения инженерных проблем. Для оценки прочности бетонов на сжатие необходимые данные могут быть сложными или недостаточными. Многочисленные исследования, проведенные в начале 2000-х годов, продемонстрировали огромный потенциал для улучшения пропорций смеси и прогнозирования свойств бетона.

Одним из лучших вариантов защиты окружающей среды и природных ресурсов может быть использование дополнительного цементного материала. Замена клинкера другими материалами является одним из самых известных методов минимизации воздействия цемента на окружающую среду. Кроме того, природные наполнители, включая пуццолан, кальцинированные глины и известняк, продемонстрировали свою пригодность для использования в бетоне.

Об исследовании

В этом исследовании авторы рассчитали прочность на сжатие нескольких бетонов на основе отходов с помощью ИНС. Метакаолин, известняковый наполнитель, мраморные отходы, микрокремнезем, переработанные заполнители, летучая зола и измельченный гранулированный доменный шлак — вот лишь некоторые из минеральных добавок, исследованных в образце. Основой предлагаемого метода послужили экспериментальные данные для 1303 различных комбинаций, которые были получены из 22 библиографических источников для процесса обучения ИНС.

Команда организовала и обработала данные для обучения и тестирования модели с использованием модели многослойной нейронной сети с прямой связью. В соответствии с типом цемента, содержанием воды, коэффициентом замещения, соотношением воды и вяжущего, количеством суперпластификатора и т. д. модель имела 18 входных данных. Для построения и применения модели ИНС использовался модуль нейронной сети программы MATLAB. Согласно результатам, предсказанным предложенной моделью нейронной сети, ИНС продемонстрировала большую способность прогнозировать прочность бетона на сжатие и была особенно точной с удовлетворительной точностью с R2, равным 0,9888, и MAPE = 2,87%.

Исследователи изучили эффективность моделирования ИНС в предсказании конкретных качеств. Цель состояла в том, чтобы создать и внедрить инструменты на основе искусственного интеллекта (ИИ), которые могли бы прогнозировать характеристики бетонов, содержащих побочные продукты, которые использовались в качестве дополнительных вяжущих ингредиентов. В этом исследовании подчеркивается потенциал использования ИНС для прогнозирования свойств экологически чистых бетонов с удовлетворительными и надежными результатами. В предлагаемом методе использовалось машинное обучение для изучения одновременного набора многочисленных дополнительных вяжущих материалов.

Наблюдения

Для валидации, обучения и тестирования соответственно коэффициенты детерминации R2 равны 0,9763, 0,9982 и 0,9566. Разница между предсказанными и экспериментальными значениями была относительно небольшой, о чем свидетельствует среднеквадратичное значение (RMSE) 2,91 МПа. Согласно MAPE ожидаемая прочность на сжатие отличалась от экспериментальных данных в среднем на 2,87%. Это показало, что разница между ожидаемыми и фактическими результатами была незначительной. Было замечено, что данные должны лежать на линии под углом 45°, где выходные и целевые значения сети равны, чтобы соответствие было идеальным.

Изучая сложные детали водоцементного отношения, возраста бетона, количества цемента и добавок и т. д., предложенная модель ИНС может прогнозировать прочность на сжатие с высокой точностью. Результаты показали, что многослойные ИНС с прямой связью являются полезными инструментами для прогнозирования прочности бетона на сжатие. Ошибки моделей R2, MAPE, MSE и MAE продемонстрировали небольшие расхождения между экспериментальными и предсказанными значениями. Полученные данные свидетельствуют о целесообразности использования ИНС для прогнозирования прочности бетона на сжатие.

Выводы

В заключение, это исследование спрогнозировало прочность на сжатие бетонов на основе отходов с использованием искусственной нейронной сети. Были объяснены методологии обучения, архитектура, а также подходы прямого и обратного распространения. Затем 1303 конкретных формулировки из 22 отдельных исследований были включены в библиографический набор данных, составленный из литературы.

Авторы упомянули, что они изучат применение регрессии дерева решений (DTR) для прогнозирования конкретных качеств в будущем исследовании. Они заявили, что предложенный метод машинного обучения является эффективной стратегией.

Источник: www.azom.com