پیش‌بینی مقاومت فشاری بتن حاوی سنگدانه بازیافتی با استفاده از الگوریتم‌های یادگیری ماشین

پیش‌بینی مقاومت فشاری بتن حاوی سنگدانه بازیافتی با استفاده از الگوریتم‌های یادگیری ماشین

محمد مهدی رستگار1 محمد صادق کتابی2

1) استادیار گروه عمران، دانشکده مهندسی، دانشگاه بوعلی سینا، همدان، ایران-
2) استادیار گروه عمران، دانشکده مهندسی، دانشگاه بوعلی سینا، همدان، ایران-

کد IOI مقاله : AAHE-ACZDCG
محل انتشار : کنفرانس ملی فناوری های عمران، طراحی و ساخت، انرژی، مواد و ماشین آلات پیشرفته(icaeu.ir)
چکیده :
    استفاده روزافزون از بتن حاوی سنگدانه بازیافتی دارای مواد سیمانی مکمل (CCMs-RAC) مسیری پایدار برای صنعت ساخت‌وساز فراهم می‌آورد. با این حال، ماهیت ناهمگن سنگدانه‌های بازیافتی و برهم‌کنش‌های پیچیده میان پارامترهای طرح اختلاط، پیش‌بینی دقیق مقاومت فشاری (CS) را به چالشی قابل‌توجه تبدیل کرده است. این پژوهش یک چارچوب مبتنی بر یادگیری ماشین را برای پیش‌بینی مقاومت فشاری CCMs-RAC ارائه می‌دهد و از یک پایگاه داده تجربی متشکل از ۹۸۰ طرح اختلاط بهره می‌برد. دوازده متغیر نسبت اختلاط شامل سیمان پرتلند معمولی، مواد سیمانی مکمل (خاکستر بادی، سرباره کوره بلند، دوده سیلیسی، رس کلسینه‌شده)، سنگدانه‌های طبیعی و بازیافتی، آب، فوق‌روان‌کننده و نسبت مؤثر آب به چسباننده (w/b) به عنوان ورودی‌های مدل مورد استفاده قرار گرفتند. سه الگوریتم پایه شامل شبکه عصبی پس‌انتشار خطا (BPNN)، رگرسیون جنگل تصادفی (RFR) و الگوریتم (XGBoost) پیاده‌سازی شدند. برای بهینه‌سازی ابرپارامترها، دو راهبرد متمایز مقایسه شدند: الگوریتم فرا ابتکاری جست‌وجوی گنجشک (SSA) و رویکرد بهینه‌سازی بیزی با استفاده از برآوردگر پارزن ساختاریافته درختی (Optuna). نتایج نشان می‌دهد که مدل SSA-RFR دقت پیش‌بینی بالاتری در مجموعه آزمون کسب کرده است (R² = 0.8606، RMSE = 6.158 مگاپاسکال) و پس از آن مدل درخت رگرسیون تقویت‌شده با گرادیان (GBRT) با R² = 0.8581 قرار دارد. تحلیل اهمیت ویژگی و تفسیرپذیری SHAP نشان داد که نسبت مؤثر آب به چسباننده (w/b)، دوز سیمان و میزان فوق‌روان‌کننده، تعیین‌کننده‌ترین عوامل مؤثر بر مقاومت فشاری هستند که با اصول کلاسیک تکنولوژی بتن همخوانی کامل دارد. علاوه بر این، این مطالعه نشان می‌دهد که اگرچه بهینه‌سازی فرا ابتکاری عملکردی قوی ارائه می‌دهد، با این حال قابلیت برون‌یابی مدل‌های مبتنی بر درخت همچنان محدود به توزیع داده‌های آموزش است. این یافته‌ها چارچوبی قابل اعتماد و داده‌محور را برای طراحی اولیه طرح‌های اختلاط پایدار CCMs-RAC ارائه می‌کنند که می‌تواند نیاز به آزمون‌های آزمایشگاهی گسترده را کاهش دهد.

کلمات کلیدی : بتن حاوی سنگدانه بازیافتی (rac) مواد سیمانی مکمل (scms) مقاومت فشاری یادگیری ماشین الگوریتم جست‌وجوی گنجشک (ssa) بهینه‌سازی بیزی (optuna) تفسیرپذیری shap