Diseño de un modelo de aprendizaje automático para la fabricación precisa de composites cementosos verdes modificados con residuos de granito en polvo

Scientific Reports volumen 12, Número de artículo: 13242 (2022) Citar este artículo

1240 Accesos

4 citas

3 Altmetric

Detalles de métricas

En este estudio, se diseñó un modelo de aprendizaje automático para la fabricación precisa de compuestos de cemento verde modificados con polvo de granito procedente de desechos de cantera. Para ello, se utilizaron y compararon modelos de árbol de decisión, bosque aleatorio y conjunto AdaBoost. Se creó una base de datos que contenía 216 conjuntos de datos basados en un estudio experimental. La base de datos consta de parámetros como el porcentaje de cemento sustituido con polvo de granito, tiempo de prueba y condiciones de curado. Se demostró que este método para diseñar mezclas compuestas de cemento verde, en términos de predecir la resistencia a la compresión utilizando modelos de conjunto y solo tres parámetros de entrada, puede ser más exacto y mucho más preciso que el enfoque convencional. Además, según el conocimiento de los autores, la inteligencia artificial ha sido uno de los métodos más efectivos y precisos utilizados en la industria del diseño y la fabricación en las últimas décadas. La simplicidad de este método lo hace más adecuado para la práctica de la construcción debido a la facilidad de evaluar las variables de entrada. A medida que aumenta el impulso hacia la disminución de las emisiones de carbono, es esencial contar con un método para diseñar compuestos de cemento verde sin producir desechos que sea más preciso que las pruebas tradicionales realizadas en un laboratorio.

La aplicación de aditivos en la fabricación de los denominados "compuestos cementosos verdes" ha desempeñado recientemente un papel más importante en el desarrollo sostenible. Esto se debe principalmente a la tendencia mundial reciente hacia la reducción de la cantidad de dióxido de carbono (CO2) generado durante la producción de cemento Portland1,2. Estos compuestos son "verdes" debido a la incorporación de aditivos de desecho y como reemplazo parcial del cemento. Tales aditivos incluyen principalmente cenizas volantes, escoria de alto horno granulada molida (GGBFS) y polvo de granito3,4,5. Una razón adicional para su uso es el hecho de que estos materiales son desechos de diversos procesos industriales6.

El uso de polvo de granito como aditivo en morteros es de interés principalmente porque este material es difícil de reciclar. Por lo general, este mineral de desecho se almacena pero tiene un tiempo de descomposición superior a 1.000.000 de años. El granito es extremadamente peligroso en forma de polvo porque las partículas de polvo a menudo están suspendidas en el aire y entran al suelo y al agua. Por lo tanto, los polvos de desechos minerales tienen el potencial de causar insuficiencia respiratoria en humanos y animales. Además, su eliminación conduce a la contaminación del agua y la polinización de las plantas (lo que es perjudicial para el medio ambiente). La incorporación de residuos de polvos minerales a material sólido (como mortero u hormigón) reduce sus efectos peligrosos, mitigando su nocividad7. Recientemente, un número creciente de estudios se han centrado en el comportamiento de los compuestos cementosos que contienen polvo de granito. Esta investigación está particularmente relacionada con las propiedades mecánicas de los compuestos cementosos endurecidos (p. ej., resistencia a la compresión8, resistencia a la flexión9, resistencia a la división por tracción10).

La metodología convencional para identificar la resistencia a la compresión de los compuestos cementosos requiere pruebas de laboratorio destructivas. Desafortunadamente, estas pruebas son muy costosas y consumen mucho tiempo. Por ejemplo, en la Unión Europea cuesta nada menos que 100 euros probar una serie de composites. Debido a que estas pruebas son destructivas, se realizan en un número limitado de muestras, lo que puede dar lugar a resultados imprecisos. Esto hace ineficaz la metodología convencional y aumenta la huella de carbono del proceso de obtención de propiedades mecánicas. Además, debido a que con los métodos tradicionales11 se carece de la capacidad de evaluar la resistencia a la compresión del mortero que contiene una gran cantidad (más del 15% de la masa de cemento) de polvo de granito como sustituto del cemento, se necesita un método más preciso. Según el conocimiento de los autores, la inteligencia artificial ha sido uno de los métodos más efectivos y precisos utilizados en la industria del diseño y la fabricación en las últimas décadas.

Para superar las desventajas mencionadas anteriormente, los métodos de modelado basados en algoritmos de aprendizaje automático se utilizan con mayor frecuencia para abordar diversos problemas de ingeniería (p. ej., la predicción de la resistencia a la compresión12, la adhesión entre capas compuestas de cemento13, el coeficiente de compresión del suelo14, la susceptibilidad a la erosión del suelo15 y la compresión axial capacidad16 y el diseño de mezclas de hormigón17). Dicho modelado, utilizando el aprendizaje automático, consta de 5 pasos: definición del problema, recopilación de datos, modelado, evaluación y análisis de resultados18.

De estas técnicas, las redes neuronales artificiales (ANN) son especialmente populares. En investigaciones anteriores, las ANN han sido muy útiles para predecir la resistencia a la compresión de los compuestos de cemento19,20,21 y se han utilizado para determinar la resistencia a la compresión de los compuestos de cemento livianos22 y los ladrillos de cemento23, así como la resistencia a la compresión de los compuestos autocompactantes24. Sin embargo, dicha investigación aún es necesaria para los compuestos cementosos verdes que contienen diferentes aditivos. En primer lugar, debe determinarse el comportamiento de tales compuestos bajo diversas condiciones de carga. En particular, estas mezclas afectan la resistencia a la compresión de los compuestos. Además, debido a que la creación de modelos basados en el aprendizaje automático para la predicción de la resistencia a la compresión es una forma no destructiva de identificar estas propiedades, reduciría los costos y el tiempo asociados para las empresas que producen concreto. Diariamente se desperdician toneladas de hormigón por los ensayos de resistencia a la compresión debido a las exigencias de las normas impuestas y la obligación de ensayar todas las partes de una mezcla de hormigón endurecido, en algunos casos una vez al día25.

Sin embargo, más recientemente, se han llevado a cabo estudios para utilizar modelos de conjuntos debido a su muy alta precisión y buen rendimiento en la predicción de la resistencia a la compresión del hormigón. Esto se debe a que un bosque aleatorio rechaza las suposiciones lineales y puede aprender la importancia de las variables inconsistentes en los conjuntos de datos26. En particular, la mayoría de los modelos de conjuntos se caracterizan por una mayor resistencia al sobreajuste. Por lo tanto, se han utilizado varios modelos de conjuntos, por ejemplo, para la predicción de la resistencia a la compresión de compuestos cementosos27. Estos modelos también se han utilizado con éxito para predecir la resistencia a la compresión de compuestos cementosos que contienen caucho reciclado28, escoria de alto horno, humo de sílice29 y cenizas volantes30.

Sin embargo, todavía faltan modelos de conjuntos para predecir la resistencia a la compresión de los compuestos cementosos (pasta de cemento, mortero u hormigón) en los que el cemento se reemplaza por el polvo de granito de desecho. Este es un vacío de investigación que debe llenarse y es un objetivo de este artículo.

En este estudio, se utilizaron como aglomerantes cemento Portland ordinario (OPC) y polvo de granito (GP). Las propiedades físicas y químicas del polvo de cemento y granito se describen en la Tabla 1 y la Fig. 1, respectivamente. Las distribuciones de tamaño de partícula del cemento Portland ordinario y el polvo de granito se investigaron por medio del método de desarrollo del tamaño del tamiz. Ambos materiales se colocaron en un tamiz y luego se agitaron durante 180 s. Luego, se pesó el residuo en cada tamiz y se creó una curva de cribado. En la Fig. 1 se comparan las distribuciones de tamaño de partículas del cemento Portland ordinario y el polvo de granito. Como agregado fino se utilizó arena de río con un módulo de finura de 2,40, una gravedad específica de 2,45 y una absorción de agua de 0,82. En la presente investigación se utilizó agua potable para el mezclado y curado.

Comparación de las propiedades químicas y las distribuciones de tamaño de partículas del cemento Portland ordinario y el polvo de granito.

En esta investigación se prepararon 4 series de morteros de cemento, cuyas composiciones diferían en la cantidad de cemento sustituido por polvo de granito (GP). Los detalles de las proporciones de la mezcla de mortero por peso utilizadas en este estudio se presentan en la Tabla 2.

La figura 2 presenta el procedimiento de investigación. Primero, los ingredientes secos se colocaron en una batidora y se mezclaron durante 30 s. Luego, se agregó agua y la mezcla se mezcló durante 90 s. A continuación, se despegaron manualmente los restos de mortero de las paredes de la mezcladora y se amasó la mezcla durante 90 s.

Proceso de elaboración de morteros de cemento con polvo de granito.

Después de mezclar, se investigó la consistencia del mortero utilizando el método de hundimiento del asentamiento del mortero31, y luego se colocó el mortero en formas preparadas. Veinticuatro horas después del moldeo, comenzó el proceso de curado de la muestra. Las muestras se dividieron en 3 grupos y luego se almacenaron de acuerdo con las condiciones descritas en la Tabla 3.

Después de 7, 28 y 90 días de curado, las muestras se investigaron mediante una prueba de resistencia a la compresión. Los ensayos de resistencia a la compresión se realizaron utilizando una máquina de ensayo de resistencia a la compresión (Fig. 2) según 32.

En el programa experimental, solo se variaron tres variables: edad (7, 28 y 90 días), condiciones de curado (curado con aire, curado con aire húmedo y curado con agua) y relación agua a cemento (0.5, 0.56, 0.63 y 0.71). ) como expresión de la cantidad decreciente de cemento y creciente de polvo de granito. Por lo tanto, debido a que las pruebas de compresión se realizaron en 2 mitades después de las pruebas de resistencia a la tracción, el número total de muestras investigadas fue de 216. En la Fig. 3, los resultados de la resistencia a la compresión se presentan con respecto a la edad, las condiciones de curado y el agua. relación a cemento.

Las relaciones entre la resistencia a la compresión y (a) la edad, (b) las condiciones de curado y (c) la cantidad de polvo de granito.

Según la Fig. 3, solo existe una correlación entre la edad y la resistencia a la compresión. Esto está respaldado por el valor del coeficiente de determinación, que es igual a R2 = 0,807. Para las demás variables y la resistencia a la compresión, existe una falta de correlación, como lo demuestran los valores muy bajos del coeficiente de determinación, que son inferiores a R2 = 0,4. Como era de esperar, los valores más altos de resistencia a la compresión se obtienen para las muestras que se mantuvieron en agua; sus condiciones de curado se indican como CC1. Cuanto más antiguas son las muestras, mayor es el valor de la resistencia a la compresión obtenido. Sin embargo, la adición del polvo de granito es incapaz de obtener valores de resistencia a la compresión iguales a los 60 MPa de la muestra de referencia, pero debido al efecto de relleno del polvo, los valores mínimos de resistencia a la compresión aumentan con el aumento del contenido de polvo de granito (de aproximadamente 20 MPa a 28 MPa para 10% de reemplazo de cemento por polvo de granito y a 25 MPa para 20% de reemplazo de cemento por polvo de granito). Este efecto es muy prometedor para el diseño de mezclas compuestas cementosas de baja calidad.

Como se mencionó anteriormente, no existe una fuerte correlación entre las variables que son componentes de las proporciones de la mezcla, las condiciones de curado o la edad de prueba y la resistencia a la compresión. Por lo tanto, es razonable realizar análisis numéricos utilizando técnicas más sofisticadas, por ejemplo, modelos de conjuntos.

Estos modelos basados en árboles de decisión, que se consideran algoritmos de aprendizaje automático supervisado, son capaces de resolver problemas tanto de regresión como de clasificación. La estructura de dicho árbol de decisión consta de nodos en los que se toma una decisión binaria, y esta división continúa hasta el momento en que el algoritmo no puede separar los datos en el nodo33. Este nodo, llamado la hoja del árbol, proporciona la solución del problema. La ventaja de utilizar este tipo de algoritmo es la sencillez del modelo obtenido. Sin embargo, por el contrario, esto también es una desventaja porque podría conducir a un sobreajuste del algoritmo. Los árboles de decisión son precisos y funcionan bien en conjuntos de datos con grandes variaciones en las variables y cuando la cantidad de registros no es grande34.

Este problema podría resolverse usando un algoritmo de bosque aleatorio, que usa muchos árboles de decisión para obtener la solución a un problema. Cada árbol del bosque se construye mediante un conjunto de entrenamiento aleatorio, y en cada nodo se realiza una división en función de las variables de entrada que se seleccionan aleatoriamente35.

Sin embargo, en algunos casos, el rendimiento del algoritmo de bosque aleatorio no es preciso y se deben realizar esfuerzos para mejorarlo. Para este propósito, de los diversos algoritmos de aprendizaje por conjuntos, el algoritmo de refuerzo adaptativo (AdaBoost) es el más típico y ampliamente utilizado36. Este algoritmo es efectivo porque el siguiente árbol en el algoritmo se modifica en función de la precisión del árbol anterior, lo que fortalece la capacidad de aprendizaje. El esquema estructural de un árbol de decisión, donde las variables de entrada se denotan Xi y la variable de salida se denota Yi, se presenta en la Fig. 4 combinado con los esquemas de algoritmo de bosque aleatorio y AdaBoost.

Esquemas de modelos de conjunto: (a) árbol de decisión, (b) bosque aleatorio y (c) AdaBoost.

El nivel de precisión de los modelos se evalúa utilizando algunos parámetros que, según37, pueden incluir el coeficiente de correlación lineal (R), el error absoluto medio (MAE), el error cuadrático medio (RMSE) y el error porcentual medio medio ( MAPA). Los cálculos de estos parámetros se realizan de la siguiente manera:

donde y, valor medido de la prueba experimental; \(\hat{y}\), valor predicho de los análisis; \(\overline{y}\), valor medio; n, número de muestras de datos en el proceso.

Tenga en cuenta que un valor de R más cercano a 1 corresponde a una mejor predicción del algoritmo. A su vez, valores más bajos de MAE y RMSE y MAPE significan que el algoritmo predice las variables de salida mejor que los otros algoritmos. Además, para evitar el sobreajuste, se realiza una validación cruzada de diez veces de acuerdo con 38, como se presenta en la Fig. 5.

La división de los pliegues de validación cruzada.

Sobre la base de la división del conjunto de datos presentado en la Fig. 5, se realiza un análisis numérico. El desempeño de cada pliegue se evalúa y presenta en la Fig. 6 en términos de los valores de R, MAE, RMSE y MAPE. Además, las relaciones entre el valor de resistencia a la compresión medido experimentalmente y los obtenidos utilizando algoritmos de aprendizaje automático se presentan en la Fig. 7, combinados con la distribución de errores en la Fig. 8.

El rendimiento de los análisis evaluados por (a) el coeficiente de correlación lineal, (b) el error promedio promedio, (c) la raíz del error cuadrático medio y (d) el error porcentual promedio promedio.

Las relaciones entre la resistencia a la compresión medida y la resistencia a la compresión predicha por (a) árbol de decisión, (b) bosque aleatorio y (c) algoritmos AdaBoost.

Distribución del error de predicción: (a) valores y (b) porcentaje.

Según las Figs. 6, 7 y 8, todos los modelos de conjunto investigados son significativamente precisos en términos de predicción de la resistencia a la compresión del mortero que contiene residuos de granito. Esto se evidencia por los altísimos valores obtenidos para la correlación lineal del coeficiente R, que se acercan a 1,0. La precisión del rendimiento también está respaldada por los valores de error muy bajos, que, como se muestra en la Fig. 7, son inferiores al 4%. Además, según la Fig. 8, los modelos propuestos predicen con precisión los valores de resistencia a la compresión y solo fallan en predecir correctamente la resistencia de algunas muestras (el porcentaje de error es superior al 10%).

El modelo propuesto también es preciso en comparación con otros algoritmos de aprendizaje automático utilizados con el fin de predecir la resistencia a la compresión de compuestos cementosos verdes que contienen diferentes aditivos. Algunos trabajos seleccionados se presentan en la Tabla 4 además de los resultados obtenidos por los modelos presentados en este trabajo.

El análisis de los resultados en la Tabla 4 muestra que los niveles de precisión para la resistencia a la compresión de los compuestos cementosos verdes utilizando algoritmos de aprendizaje automático son muy altos. Además, en este trabajo se construye un modelo muy preciso para predecir la resistencia a la compresión de compuestos cementosos verdes que contienen diferentes aditivos, en comparación con los investigados previamente.

En este artículo se presenta una comparación de tres modelos de conjuntos para la predicción de la resistencia a la compresión de morteros que contienen polvo de granito de desecho, teniendo en cuenta la edad de las muestras y las condiciones de curado. Para ello se construyó una base de datos a partir de un programa experimental. Esta base de datos se formuló sobre la base de pruebas realizadas en muestras estandarizadas preparadas y ensayadas a diferentes edades y curadas en diferentes condiciones. En base a la investigación presentada, se pueden extraer las siguientes conclusiones:

El artículo muestra que es posible predecir la resistencia a la compresión de morteros con adiciones de polvo de granito en base a solo tres parámetros: la edad de prueba, la relación agua-cemento y las condiciones de curado. Por lo tanto, el método presentado puede verse como un uso simple y fiable.

La utilidad de este método fue probada por los valores muy altos del coeficiente de correlación lineal R, que equivalen a 0,989 para el árbol de decisión, 0,989 para el bosque aleatorio y 0,988 para AdaBoost.

Todos los modelos se caracterizaron por tener bajos valores de error, que en el caso de MAE fueron menores a 1.270 MPa, en el caso de RMSE fueron menores a 2.633 MPa, y en el caso de MAPE fueron menores a 3.35%.

Los autores enfatizan que el método propuesto tiene limitaciones, que incluyen el tiempo de la prueba y la relación agua-cemento. Sin embargo, las únicas condiciones de curado que no se tomaron en cuenta en este trabajo se caracterizaron por alta temperatura; por lo tanto, estos modelos se pueden utilizar en casi todas las condiciones en las que se curan las muestras. Desde un punto de vista práctico, podría ser beneficioso verificar si este modelo es exacto para muestras preparadas por otros investigadores. Además, se debe verificar si el modelo se puede usar para mezclas compuestas cementosas similares pero con otros polvos minerales de desecho. Además, podría ser beneficioso modelar otras propiedades de los compuestos de cemento verde, como la resistencia a la tracción del subsuelo, la deformación por fluencia o la contracción. Además, debido al impulso de inspiración ecológica hacia el uso de materiales de desecho en compuestos cementosos, sería razonable actualizar constantemente el modelo para que sea adecuado para mezclas compuestas cementosas de nuevo diseño.

Todos los datos generados o analizados durante este estudio se incluyen en este artículo publicado y sus archivos de información complementaria.

Monteiro, PJM, Miller, SA & Horvath, A. Hacia un hormigón sostenible. Nat. Mate. 16, 698–699. https://doi.org/10.1038/nmat4930 (2017).

Artículo ADS CAS PubMed Google Scholar

He, B., Huang, S. y Wang, J. Diseño de productos bajos en carbono utilizando un algoritmo de programación dinámica. En t. J. Precis. Ing. Fabricación 2, 37–42. https://doi.org/10.1007/s40684-015-0005-z (2015).

Artículo Google Académico

Han, IJ, Yuan, TF, Lee, JY, Yoon, YS y Kim, JH Aprendieron la predicción de la resistencia a la compresión del hormigón GGBFS utilizando modelos híbridos de redes neuronales artificiales. Mate. 12, 12223708. https://doi.org/10.3390/ma12223708 (2019).

Artículo CAS Google Académico

Szelag, M. Modelado de predicción inteligente del rendimiento mecánico posterior al calentamiento de la pasta de cemento modificada con polvo de ladrillo en función de las propiedades de los patrones de agrietamiento. Estudio de caso. Constr. Mate. 15, e00668. https://doi.org/10.1016/j.cscm.2021.e00668 (2021).

Artículo Google Académico

Krzywiński, K. et al. Ingeniería y tecnología de fabricación de recubrimientos de resinas epoxi verdes modificadas con áridos finos reciclados. En t. J. Precis. Ing. Fabricación Tecnología verde. 9, 253–271. https://doi.org/10.1007/s40684-021-00377-w (2022).

Artículo Google Académico

Galińska, A. & Czarnecki, S. El efecto de los polvos minerales derivados de desechos industriales en propiedades mecánicas seleccionadas del hormigón. Conferencia de la OIO. Ser. Mate. ciencia Ing. 245, 032039. https://doi.org/10.1088/1757-899X/245/3/032039 (2017).

Artículo Google Académico

Chowaniec, A., Czarnecki, S. y Sadowski, Ł. Disminución del efecto peligroso del polvo de cuarzo residual y la toxicidad de la resina epoxi mediante su aplicación sinérgica en recubrimientos industriales. Reinar. ciencia contaminar Res. https://doi.org/10.1007/s11356-022-19772-0 (2022).

Artículo Google Académico

Asteris, PG et al. Predicción de la resistencia a compresión de morteros en base cemento mediante técnicas de aprendizaje automático. Cómputo neuronal. aplicación 33, 13089–13121. https://doi.org/10.1007/s00521-021-06004-8 (2021).

Artículo Google Académico

Jain, A., Gupta, R. & Chaudhary, S. Desarrollo sostenible de hormigón autocompactante mediante el uso de residuos de granito y cenizas volantes. Constr. Construir. Mate. 262, 120516. https://doi.org/10.1016/j.conbuildmat.2020.120516 (2020).

Artículo Google Académico

Rashwan, MA, Al-Basiony, TM, Mashaly, AO & Khalil, MM Comportamiento del concreto fresco y endurecido que incorpora lodo de mármol y granito como reemplazo del cemento. J. Construir. Ing. 32, 101697. https://doi.org/10.1016/j.jobe.2020.101697 (2020).

Artículo Google Académico

Gołaszewski, J., Cygan, G. & Drewniok, M. Diseño de la composición de mezclas de hormigón en función de las propiedades del mortero. tecnología Trans. Ing. Civil 1-B, 29–37 (2014).

Google Académico

Ahmad, A. et al. Predicción de la resistencia a la compresión del hormigón a base de cenizas volantes utilizando algoritmos individuales y de conjunto. Mate. 14, 794. https://doi.org/10.3390/ma14040794 (2021).

Artículo CAS Google Académico

Czarnecki, S., Sadowski, Ł & Hoła, J. Redes neuronales artificiales para la identificación no destructiva de la unión entre capas entre la superposición de reparación y el sustrato de hormigón. Adv. Ing. suave 141, 102769. https://doi.org/10.1016/j.advengsoft.2020.102769 (2020).

Artículo Google Académico

Bui, DT, Nhu, V.-H. y Hoang, N.-D. Predicción del coeficiente de compresión del suelo para proyectos de viviendas urbanas utilizando un enfoque novedoso de aprendizaje automático de integración de inteligencia de enjambre y red neuronal de perceptrón multicapa. Adv. Ing. información 38, 593–604. https://doi.org/10.1016/j.aei.2018.09.005 (2018).

Artículo Google Académico

Vu, DT, Tran, XL, Cao, MT, Tran, TC y Hoang, ND Predicción de la susceptibilidad a la erosión del suelo basada en el aprendizaje automático utilizando el algoritmo de araña social optimizado spline de regresión adaptativa multivariable. Medida 164, 108066. https://doi.org/10.1016/j.measurement.2020.108066 (2020).

Artículo Google Académico

Tran, VL, tailandés, D.-K. & Kim, S.-E. Aplicación de ANN en la predicción de ACC de la columna SCFST. compos. Estructura. 228, 111332. https://doi.org/10.1016/j.compstruct.2019.111332 (2019).

Artículo Google Académico

Rudnicki, T. Método funcional de diseño de hormigón autocompactante. Materiales 14, 267. https://doi.org/10.3390/ma14020267 (2021).

Artículo ADS CAS PubMed Central Google Scholar

Kim, DH et al. Proceso de mecanizado inteligente utilizando aprendizaje automático: una revisión y perspectiva de la industria del mecanizado. En t. J. Precis. Ing. Manuf.-Verde. tecnología 5, 555–568. https://doi.org/10.1007/s40684-018-0057-y (2018).

Artículo Google Académico

Nikoo, M., Moghadam, FT y Sadowski, L. Predicción de la resistencia a la compresión del hormigón mediante redes neuronales artificiales evolutivas. Adv. Mate. ciencia Ing. https://doi.org/10.1155/2015/849126 (2015).

Artículo Google Académico

Behnood, A. & Golafshani, EM Predicción de la resistencia a la compresión del hormigón de humo de sílice utilizando una red neuronal artificial híbrida con lobos grises multiobjetivo. J. Limpiador Prod. 202, 54–64. https://doi.org/10.1016/j.jclepro.2018.08.065 (2018).

Artículo CAS Google Académico

Kandiri, A., Golafshani, EM & Behnood, A. Estimación de la resistencia a la compresión de hormigones que contienen escoria de alto horno granulada molida utilizando un algoritmo ANN multiobjetivo híbrido y un enjambre de salpas. Constr. Material de construcción. 248, 118676. https://doi.org/10.1016/j.conbuildmat.2020.118676 (2020).

Artículo Google Académico

Khan, SU, Ayub, T. & Rafeeqi, SFA Predicción de la resistencia a la compresión del concreto simple confinado con ferrocemento utilizando redes neuronales artificiales (ANN) y comparación con modelos matemáticos existentes. Soy. J. Ing. Civil. Arco. 1, 7–14. https://doi.org/10.12691/ajcea-1-1-2 (2013).

Artículo CAS Google Académico

Zhou, Q., Wang, F. y Zhu, F. Estimación de la resistencia a la compresión de prismas de mampostería de hormigón hueco utilizando redes neuronales artificiales y sistemas de inferencia neurodifusos adaptativos. Constr. Construir. Mate. 125, 417–426. https://doi.org/10.1016/j.conbuildmat.2016.08.064 (2016).

Artículo Google Académico

Safiuddin, M., Raman, SN, Salam, MA & Jumaat, MZ Modelización de la resistencia a la compresión para hormigón autocompactante de alta resistencia que incorpora cenizas de combustible de aceite de palma. Mate. 9, 5. https://doi.org/10.3390/ma9050396 (2016).

Artículo CAS Google Académico

EN 206+A2:2021–08 Hormigón: especificación, rendimiento, producción y conformidad, PKN, Varsovia 2021

DeRousseau, MA, Laftchiev, E., Kasprzyk, JR, Rajagopalan, B. y Srubar, WV III. Una comparación de métodos de aprendizaje automático para predecir la resistencia a la compresión del concreto colocado en el campo. Constr. Construir. Mate. 228, 116661. https://doi.org/10.1016/j.conbuildmat.2019.08.042 (2019).

Artículo Google Académico

Erdal, HI, Karakurt, O. y Namli, E. Pronóstico de la resistencia a la compresión del hormigón de alto rendimiento mediante el uso de modelos de conjunto basados en la transformada wavelet discreta. Ing. aplicación Artefacto Intel. 26(4), 1246–1254. https://doi.org/10.1016/j.engappai.2012.10.014 (2013).

Artículo Google Académico

Kovacevic, M., Lozancic, S., Nyarko, EK y Hadzima-Nyarko, M. Modelización de la resistencia a la compresión del hormigón engomado autocompactante mediante aprendizaje automático. Materiales 14(15), 4346. https://doi.org/10.3390/ma14154346 (2021).

Artículo ADS CAS PubMed PubMed Central Google Scholar

Chou, JS & Pham, AD Inteligencia artificial mejorada para un enfoque conjunto para predecir la resistencia a la compresión del hormigón de alto rendimiento. Constr. Construir. Mate. 49, 554–563. https://doi.org/10.1016/j.conbuildmat.2013.08.078 (2013).

Artículo Google Académico

Erdal, HI Conjuntos híbridos y de dos niveles de árboles de decisión para la predicción de la resistencia a la compresión del hormigón de alto rendimiento. Ing. aplicación Artefacto Intel. 26(7), 1689–1697. https://doi.org/10.1016/j.engappai.2013.03.014 (2013).

Artículo Google Académico

EN 12350–2:2011 Ensayo de hormigón fresco. Parte 2: Ensayo de asentamiento.

EN 12390–3:2019–07 Ensayo de hormigón endurecido. Parte 3: Resistencia a la compresión de probetas de ensayo.

Kamiński, B., Jakubczyk, M. & Szufel, P. Un marco para el análisis de sensibilidad de los árboles de decisión. Centavo. EUR. J.Oper. Res. 26, 135–159. https://doi.org/10.1007/s10100-017-0479-6 (2018).

Artículo MathSciNet PubMed MATH Google Scholar

Sharafati, A., Haji Seyed Asadollah, SB y Al-Ansari, N. Aplicación del modelo de conjunto de ensacado para predecir la resistencia a la compresión del prisma de mampostería de hormigón hueco. Ing. Ain Shams. J. 12(4), 3521–3530. https://doi.org/10.1016/j.asej.2021.03.028 (2021).

Artículo Google Académico

Han, Q., Changqing, G., Xu, J. y Lacidogna, G. Un método generalizado para predecir la resistencia a la compresión del hormigón de alto rendimiento mediante un algoritmo de bosque aleatorio mejorado. Constr. Construir. Mate. 226, 734–742. https://doi.org/10.1016/j.conbuildmat.2019.07.315 (2019).

Artículo Google Académico

Feng, DC y col. Predicción de la resistencia a la compresión del hormigón basada en el aprendizaje automático: un enfoque de refuerzo adaptativo. Constr. Construir. Mate. 230, 117000. https://doi.org/10.1016/j.conbuildmat.2019.117000 (2020).

Artículo Google Académico

Asteris, PG, Skentou, AD, Bardhan, A., Samui, P. y Pilakoutas, K. Predicción de la resistencia a la compresión del hormigón mediante ensamblaje híbrido de modelos de aprendizaje automático sustitutos. cem. concr. Res. 145, 106449 (2021).

Artículo CAS Google Académico

Vakharia, V. & Gujar, R. Predicción de la resistencia a la compresión y la composición del cemento Portland utilizando técnicas de validación cruzada y clasificación de características. Constr. Construir. Mate. 225, 292–301 (2019).

Artículo Google Académico

Descargar referencias

Los autores recibieron financiamiento para realizar el análisis numérico y la posible creación de redes de un proyecto respaldado por la Asociación COST [Grant No. ECOST-STSM-CA18224-230821-130644 "Aplicación de técnicas novedosas de aprendizaje automático para predecir la resistencia a la compresión de compuestos cementicios que contienen desechos polvo de granito."]

Los autores recibieron financiación para la preparación de las muestras de un proyecto apoyado por el Centro Nacional de Investigación y Desarrollo de Polonia [Grant No. LIDER/35/0130/L-11/19/NCBR/2020 "The use of granite powder waste for the producción de productos de construcción seleccionados".]

Departamento de Ingeniería de Materiales y Procesos de Construcción, Universidad de Ciencia y Tecnología de Wroclaw, Wybrzeze Wyspiańskiego 27, 50-370, Wrocław, Polonia

Slawomir Czarnecki, Adrian Chajec y Lukasz Sadowski

Facultad de Ingeniería Civil y Arquitectura Osijek, Josip Juraj Strossmayer Universidad de Osijek, Vladimira Preloga 3, 31000, Osijek, Croacia

Marijana Hadzima-Nyarko

También puede buscar este autor en PubMed Google Scholar

SC, LS y MH-N. diseñó el plan de investigación y el concepto de investigación; AC realizó las pruebas de laboratorio y preparó los datos, SC realizó los análisis numéricos, SC y M. HN. escribió el borrador del manuscrito, AC y LS revisaron el manuscrito, LS adquirió los fondos para esta investigación.

La correspondencia es Sławomir Czarnecki.

Los autores declaran no tener conflictos de intereses.

Springer Nature se mantiene neutral con respecto a los reclamos jurisdiccionales en mapas publicados y afiliaciones institucionales.

Acceso abierto Este artículo tiene una licencia internacional Creative Commons Attribution 4.0, que permite el uso, el intercambio, la adaptación, la distribución y la reproducción en cualquier medio o formato, siempre que se otorgue el crédito correspondiente al autor o autores originales y a la fuente. proporcionar un enlace a la licencia Creative Commons e indicar si se realizaron cambios. Las imágenes u otro material de terceros en este artículo están incluidos en la licencia Creative Commons del artículo, a menos que se indique lo contrario en una línea de crédito al material. Si el material no está incluido en la licencia Creative Commons del artículo y su uso previsto no está permitido por la regulación legal o excede el uso permitido, deberá obtener el permiso directamente del titular de los derechos de autor. Para ver una copia de esta licencia, visite http://creativecommons.org/licenses/by/4.0/.

Reimpresiones y permisos

Czarnecki, S., Hadzima-Nyarko, M., Chajec, A. et al. Diseño de un modelo de aprendizaje automático para la fabricación precisa de composites cementosos verdes modificados con residuos de granito en polvo. Informe científico 12, 13242 (2022). https://doi.org/10.1038/s41598-022-17670-6

Descargar cita

Recibido: 03 Marzo 2022

Aceptado: 28 de julio de 2022

Publicado: 02 agosto 2022

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

Cualquier persona con la que compartas el siguiente enlace podrá leer este contenido:

Lo sentimos, un enlace para compartir no está disponible actualmente para este artículo.

Proporcionado por la iniciativa de intercambio de contenido Springer Nature SharedIt

Informes científicos (2023)

Al enviar un comentario, acepta cumplir con nuestros Términos y Pautas de la comunidad. Si encuentra algo abusivo o que no cumple con nuestros términos o pautas, márquelo como inapropiado.