پیش بینی مقاومت فشاری بتن حاوی سنگدانه بازیافتی با استفاده از الگوریتم های یادگیری ماشین

استفاده روزافزون از بتن حاوی سنگدانه بازیافتی دارای مواد سیمانی مکمل (CCMS-RAC) مسیری پایدار برای صنعت ساخت و ساز فراهم می آورد. با این حال ماهیت ناهمگن سنگدانه های بازیافتی و برهم کنش های پیچیده میان پارامترهای طرح اختلاط، پیش بینی دقیق مقاومت فشاری (CS) را به چالشی قابل توجه تبدیل کرده است. این پژوهش یک چارچوب مبتنی بر یادگیری ماشین را برای پیش بینی مقاومت فشاری CCMS-RAC ارائه می دهد و از یک پایگاه داده تجربی متشکل از ۹۸۰ طرح اختلاط بهره می برد. دوازده متغیر نسبت اختلاط شامل سیمان پرتلند معمولی، مواد سیمانی مکمل (خاکستر بادی، سرباره کوره بلند، دوده سیلیسی، رس کلسینه شده)، سنگدانه های طبیعی و بازیافتی، آب، فوق روان کننده و نسبت موثر آب به چسباننده (w/b) به عنوان ورودی های مدل مورد استفاده قرار گرفتند. سه الگوریتم پایه شامل شبکه عصبی پس انتشار خطا (BPNN)، رگرسیون جنگل تصادفی (RFR) و الگوریتم XGBoost پیاده سازی شدند. برای بهینه سازی ابرپارامترها دو راهبرد متمایز مقایسه شدند: الگوریتم فراابتکاری جست وجوی گنجشک (SSA) و رویکرد بهینه سازی بیزی با استفاده از برآوردگر پارزن ساختاریافته درختی (Optuna). نتایج نشان می دهد که مدل SSA-RFR دقت پیش بینی بالاتری در مجموعه آزمون کسب کرده است (RMSE=۶.۱۵۸، R۲=۰.۸۶۰۶ مگاپاسکال) و پس از آن مدل درخت رگرسیون تقویت شده با گرادیان (GBRT) با R۲=۰.۸۵۸۱ قرار دارد. تحلیل اهمیت ویژگی و تفسیرپذیری SHAP نشان داد که نسبت موثر آب به چسباننده (w/b)، دوز سیمان و میزان فوق روان کننده تعیین کننده ترین عوامل موثر بر مقاومت فشاری هستند که با اصول کلاسیک تکنولوژی بتن همخوانی کامل دارد. علاوه بر این، این مطالعه نشان می دهد که اگرچه بهینه سازی فراابتکاری عملکردی قوی ارائه می دهد، با این حال قابلیت برون یابی مدل های مبتنی بر درخت همچنان محدود به توزیع داده های آموزش است. این یافته ها چارچوبی قابل اعتماد و داده محور را برای طراحی اولیه طرح های اختلاط پایدار CCMS-RAC ارائه می کنند که می تواند نیاز به آزمون های آزمایشگاهی گسترده را کاهش دهد.

کلیدواژه ها:

بتن حاوی سنگدانه بازیافتی (RAC) ، مواد سیمانی مکمل (SCMs) ، مقاومت فشاری ، یادگیری ماشین ، الگوریتم جست وجوی گنجشک (SSA) ، بهینه سازی بیزی (Optuna) ، تفسیرپذیری SHAP