پیش بینی کارایی بتن تازه بر اساس پارامترهای طرح اختلاط با استفاده از الگوریتم های یادگیری ماشین

کارایی بتن تازه یکی از مهمترین شاخصهای عملکردی بتن در مرحله ساخت و اجرا است که تاثیر مستقیمی بر سهولت بتن ریزی، تراکم پذیری، کیفیت نهایی و دوام سازه های بتنی دارد. تعیین کارایی بتن به طور معمول از طریق آزمایشهای آزمایشگاهی نظیر آزمایش اسلامپ انجام می شود که مستلزم صرف زمان و هزینه قابل توجه است. در سالهای اخیر توسعه روشهای داده محور و الگوریتم های یادگیری ماشین امکان پیش بینی دقیق خواص بتن را بدون نیاز به انجام تعداد زیادی آزمایش فراهم کرده است. در این پژوهش، قابلیت پیش بینی کارایی بتن تازه بر اساس پارامترهای طرح اختلاط با استفاده از الگوریتم های یادگیری ماشین مورد بررسی قرار گرفته است. برای این منظور مجموعه ای از داده های معتبر شامل مقادیر سیمان، آب، سنگدانه، سنگدانه ریز، مواد افزودنی و نسبت آب به سیمان به عنوان متغیرهای ورودی و مقدار اسلامپ به عنوان متغیر خروجی مورد استفاده قرار گرفت. پس از پیش پردازش داده ها عملکرد سه الگوریتم پرکاربرد شامل جنگل تصادفی (Random Forest)، تقویت گرادیانی شدید (XGBoost) و شبکه عصبی مصنوعی (ANN) در پیش بینی کارایی بتن ارزیابی و مقایسه شد. نتایج نشان داد که مدل های یادگیری ماشین قادر به شناسایی روابط پیچیده و غیر خطی میان اجزای طرح اختلاط و کارایی بتن بوده و با دقت مناسبی مقدار اسلامپ را پیش بینی می کنند. همچنین مقایسه شاخص های ارزیابی بیانگر عملکرد بهتر الگوریتم های مبتنی بر درخت تصمیم نسبت به سایر مدل های مورد بررسی است. یافته های این پژوهش می تواند در بهینه سازی طرح اختلاط بتن، کاهش هزینه های آزمایشگاهی و افزایش سرعت تصمیم گیری در پروژه های عمرانی مورد استفاده قرار گیرد.

کلیدواژه ها:

بتن تازه ، اسلامپ بتن ، طرح اختلاط ، بتن ، یادگیری ماشین ، پیش بینی کارایی