Diseño de un modelo de aprendizaje automático para la fabricación precisa de composites cementosos verdes modificados con polvo de granito residual | Línea de producción Co., Ltd de Ningbo Ceramsite

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

1302 Accesos

6 citas

2 altmétrico

Detalles de métricas

En este estudio, se diseñó un modelo de aprendizaje automático para la fabricación precisa de compuestos cementosos verdes modificados con polvo de granito procedente de residuos 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 contiene 216 conjuntos de datos basados en un estudio experimental. La base de datos consta de parámetros como el porcentaje de cemento sustituido por polvo de granito, tiempo de prueba y condiciones de curado. Se demostró que este método para diseñar mezclas compuestas cementosas verdes, 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, hasta donde saben 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 para reducir las emisiones de carbono, es esencial un método para diseñar compuestos cementosos verdes sin producir residuos que sea más preciso que las pruebas tradicionales realizadas en un laboratorio.

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

El uso de polvo de granito como aditivo en morteros resulta de interés principalmente porque este material es difícil de reciclar. Habitualmente, 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 quedan 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 provoca la contaminación del agua y la polinización de las plantas (lo que es perjudicial para el medio ambiente). La incorporación de polvos minerales residuales a material sólido (como mortero u hormigón) reduce sus efectos nocivos, mitigando su nocividad7. Recientemente, un número cada vez mayor 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 (por ejemplo, resistencia a la compresión8, resistencia a la flexión9, resistencia a la rotura por tracción10).

La metodología convencional para identificar la resistencia a la compresión de los compuestos cementosos requiere pruebas destructivas de laboratorio. Desafortunadamente, estas pruebas son muy costosas y requieren 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 que la metodología convencional sea ineficaz y aumenta la huella de carbono del proceso de obtención de propiedades mecánicas. Además, debido a que con los métodos tradicionales11 no se puede evaluar la resistencia a la compresión de morteros que contienen 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. Hasta donde saben 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 (por ejemplo, la predicción de la resistencia a la compresión12, la adhesión entre capas de compuestos cementosos13, 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 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 (RNA) son especialmente populares. En investigaciones anteriores, las RNA han sido muy útiles para predecir la resistencia a la compresión de compuestos cementosos19,20,21 y se han utilizado para determinar la resistencia a la compresión de compuestos cementosos livianos22 y ladrillos cementosos23, así como la resistencia a la compresión de compuestos autocompactantes24. Sin embargo, todavía se necesita investigación de este tipo para compuestos cementosos verdes que contienen diferentes aditivos. En primer lugar, se debe determinar el comportamiento de dichos compuestos bajo diversas condiciones de carga. En particular, estos aditivos afectan la resistencia a la compresión de los composites. Además, debido a que la creación de modelos basados en 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 debido a las pruebas de resistencia a la compresión debido a las exigencias de las normas impuestas y a la obligación de probar todas las partes de una mezcla de hormigón endurecido, en algunos casos una vez al día25.

Sin embargo, más recientemente se han realizado estudios para utilizar modelos de conjunto debido a su muy alta precisión y buen desempeño para predecir la resistencia a la compresión del concreto. Esto se debe a que un bosque aleatorio rechaza suposiciones lineales y es capaz de aprender la importancia de variables inconsistentes en conjuntos de datos26. En particular, la mayoría de los modelos de conjunto se caracterizan por una mayor resistencia al sobreajuste. Por lo tanto, se han utilizado varios modelos de conjunto, 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, aún faltan modelos de conjunto para predecir la resistencia a la compresión de compuestos cementosos (pasta de cemento, mortero u hormigón) donde el cemento es reemplazado por polvo de granito residual. Este es un vacío de investigación que debe llenarse y es el objetivo de este artículo.

En este estudio, se utilizaron como aglutinantes cemento Portland ordinario (OPC) y polvo de granito (GP). Las propiedades físicas y químicas del cemento y el polvo de granito se describen en la Tabla 1 y la Fig. 1, respectivamente. Se investigaron las distribuciones de tamaño de partículas del cemento Portland ordinario y del polvo de granito mediante el método de desarrollo del tamaño de tamiz. Ambos materiales se colocaron sobre un conjunto de tamiz y luego se agitaron durante 180 s. Luego, se pesó el residuo de cada tamiz y se creó una curva de detección. Las distribuciones de tamaño de partículas del cemento Portland ordinario y el polvo de granito se comparan en la Fig. 1. 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 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 mezcladora y se mezclaron durante 30 s. Luego se añadió agua y la mezcla se mezcló durante 90 s. A continuación, se retiraron manualmente los restos de mortero de las paredes de la mezcladora y se mezcló la mezcla durante 90 s.

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

Después de mezclar, se investigó la consistencia del mortero utilizando el método de hundimiento del mortero31, y luego el mortero se colocó 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 según las condiciones descritas en la Tabla 3.

Después de 7, 28 y 90 días de curado, las muestras fueron investigadas mediante una prueba de resistencia a la compresión. Las pruebas de resistencia a la compresión se realizaron utilizando una máquina de prueba de resistencia a la compresión (Fig. 2) según32.

En el programa experimental, sólo se variaron tres variables: edad (7, 28 y 90 días), condiciones de curado (curado al aire, curado con aire húmedo y curado con agua) y relación agua-cemento (0,5, 0,56, 0,63 y 0,71). ) como expresión de la cantidad decreciente de cemento y la cantidad 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 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 cemento.

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

Según la Fig. 3, sólo existe una correlación entre la edad y la resistencia a la compresión. Esto se sustenta en 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, inferiores a R2 = 0,4. Como era de esperarse, 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 sean las muestras, mayor será el valor de la resistencia a la compresión obtenida. Sin embargo, la adición del polvo de granito no permite 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 al aumentar el contenido de polvo de granito (de aproximadamente 20 MPa a 28 MPa para una sustitución del 10% de cemento por polvo de granito y a 25 MPa para una sustitución del 20% 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 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 hoja del árbol, proporciona la solución del problema. La ventaja de utilizar este tipo de algoritmo es la simplicidad 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 el número de registros no es grande34.

Este problema podría resolverse utilizando un algoritmo de bosque aleatorio, que utiliza 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, la división se lleva a cabo en función de 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 en conjunto, el algoritmo de refuerzo adaptativo (AdaBoost) es el más típico y ampliamente utilizado36. Este algoritmo es eficaz porque el siguiente árbol del 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 del bosque aleatorio y del algoritmo 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 a partir 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, 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 diez veces mayor según 38, como se presenta en la Fig. 5.

La división de los pliegues de validación cruzada.

Según la división del conjunto de datos presentado en la Fig. 5, se realiza un análisis numérico. El rendimiento de cada pliegue se evalúa y se 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, combinadas con la distribución del error en la Fig. 8.

El rendimiento de los análisis se evaluó mediante (a) el coeficiente lineal de correlación, (b) el error promedio promedio, (c) el 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 prevista mediante (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 predecir la resistencia a la compresión del mortero que contiene residuos de granito. Prueba de ello son los altísimos valores obtenidos para la correlación lineal del coeficiente R, próximos a 1,0. La precisión del rendimiento también se ve 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 no logran predecir adecuadamente la resistencia de unas pocas muestras (el error porcentual 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 anteriormente.

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

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

La utilidad de este método quedó demostrada 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 valores de error bajos, que en el caso de MAE fueron inferiores a 1.270 MPa, en el caso de RMSE fueron inferiores a 2.633 MPa y en el caso de MAPE fueron inferiores al 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 tuvieron en cuenta en este artículo se caracterizaron por la alta temperatura; por lo tanto, estos modelos se pueden utilizar en casi cualquier condición en la que se curen las muestras. Desde un punto de vista práctico, podría resultar beneficioso verificar si este modelo es preciso para muestras preparadas por otros investigadores. Además, se debe verificar si el modelo se puede utilizar para mezclas compuestas cementosas similares pero con otros polvos minerales residuales. Además, podría ser beneficioso modelar otras propiedades de los compuestos cementosos verdes, 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 hacerlo 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 complementarios.

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

Artículo ADS CAS PubMed Google Scholar

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

Artículo de Google Scholar

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. Madre. 12, 12223708. https://doi.org/10.3390/ma12223708 (2019).

Artículo CAS Google Scholar

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. Caso Stud. Construcción Madre. 15, e00668. https://doi.org/10.1016/j.cscm.2021.e00668 (2021).

Artículo de Google Scholar

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

Artículo de Google Scholar

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

Artículo de Google Scholar

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

Artículo de Google Scholar

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

Artículo de Google Scholar

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

Artículo de Google Scholar

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

Artículo de Google Scholar

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. y col. Predicción de la resistencia a la compresión del hormigón a base de cenizas volantes mediante algoritmos individuales y de conjunto. Madre. 14, 794. https://doi.org/10.3390/ma14040794 (2021).

Artículo CAS Google Scholar

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

Artículo de Google Scholar

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

Artículo de Google Scholar

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

Artículo de Google Scholar

Tran, VL, tailandés, D.-K. y 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 de Google Scholar

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 y cols. Proceso de mecanizado inteligente mediante 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 de Google Scholar

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

Artículo de Google Scholar

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. Productor más limpio. 202, 54–64. https://doi.org/10.1016/j.jclepro.2018.08.065 (2018).

Artículo CAS Google Scholar

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

Artículo de Google Scholar

Khan, SU, Ayub, T. & Rafeeqi, SFA Predicción de la resistencia a la compresión de hormigón simple confinado con ferrocemento utilizando una red neuronal artificial (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 Scholar

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

Artículo de Google Scholar

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

Artículo CAS Google Scholar

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 hormigón colocado en el campo. Construcción Construir. Madre. 228, 116661. https://doi.org/10.1016/j.conbuildmat.2019.08.042 (2019).

Artículo de Google Scholar

Erdal, HI, Karakurt, O. & Namli, E. Pronóstico de la resistencia a la compresión del hormigón de alto rendimiento utilizando modelos de conjunto basados en transformadas wavelet discretas. Ing. Aplica. Artif. Intel. 26(4), 1246-1254. https://doi.org/10.1016/j.engappai.2012.10.014 (2013).

Artículo de Google Scholar

Kovacevic, M., Lozancic, S., Nyarko, EK y Hadzima-Nyarko, M. Modelado 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. Construcción Construir. Madre. 49, 554–563. https://doi.org/10.1016/j.conbuildmat.2013.08.078 (2013).

Artículo de Google Scholar

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. Aplica. Artif. Intel. 26(7), 1689–1697. https://doi.org/10.1016/j.engappai.2013.03.014 (2013).

Artículo de Google Scholar

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

EN 12390–3:2019–07, Ensayos de hormigón endurecido. Parte 3: Resistencia a la compresión de las probetas.

Kamiński, B., Jakubczyk, M. & Szufel, P. Un marco para el análisis de sensibilidad de los árboles de decisión. Centavo. EUR. J. Ópera. 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 de un prisma hueco de mampostería de hormigón. Ain Shams Ing. J. 12 (4), 3521–3530. https://doi.org/10.1016/j.asej.2021.03.028 (2021).

Artículo de Google Scholar

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. Construcción Construir. Madre. 226, 734–742. https://doi.org/10.1016/j.conbuildmat.2019.07.315 (2019).

Artículo de Google Scholar

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

Artículo de Google Scholar

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

Artículo CAS Google Scholar

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

Artículo de Google Scholar

Descargar referencias

Los autores recibieron financiación para realizar el análisis numérico y la posible creación de redes de un proyecto apoyado por la Asociación COST [Subvención No. ECOST-STSM-CA18224-230821-130644 “Aplicación de técnicas novedosas de aprendizaje automático para predecir la resistencia a la compresión de compuestos cementosos que contienen residuos polvo de granito.”]

Los autores recibieron financiación para preparar las muestras de un proyecto apoyado por el Centro Nacional de Investigación y Desarrollo de Polonia [Subvención No. LIDER/35/0130/L-11/19/NCBR/2020 “El uso de residuos de polvo de granito para la 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

Sławomir Czarnecki, Adrian Chajec y Łukasz Sadowski

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

Marijana Hadzima-Nyarko

También puedes 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 la financiación para esta investigación.

Correspondencia a Sławomir Czarnecki.

Los autores declaran no tener conflictos de intereses.

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

Acceso Abierto Este artículo está bajo una Licencia Internacional Creative Commons Attribution 4.0, que permite el uso, compartir, adaptación, distribución y reproducción en cualquier medio o formato, siempre y cuando se dé el crédito apropiado al autor(es) original(es) y a la fuente. proporcione un enlace a la licencia Creative Commons e indique 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 normativa legal o excede el uso permitido, deberá obtener 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 polvo de granito residual. Informe científico 12, 13242 (2022). https://doi.org/10.1038/s41598-022-17670-6

Descargar cita

Recibido: 03 de marzo de 2022

Aceptado: 28 de julio de 2022

Publicado: 02 de agosto de 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, actualmente no hay un enlace para compartir disponible para este artículo.

Proporcionado por la iniciativa de intercambio de contenidos Springer Nature SharedIt

Informes Científicos (2023)

Archivos de métodos computacionales en ingeniería (2023)

Revista asiática de ingeniería civil (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.