廃花崗岩粉末を使用して改質されたグリーンセメント質複合材料を正確に製造するための機械学習モデルの設計

Scientific Reports volume 12、記事番号: 13242 (2022) この記事を引用

1240 アクセス

4 引用

3 オルトメトリック

メトリクスの詳細

この研究では、採石場廃棄物から得られる花崗岩粉末で改質されたグリーンセメント質複合材料を正確に製造するための機械学習モデルが設計されました。この目的のために、デシジョンツリー、ランダムフォレスト、および AdaBoost アンサンブルモデルが使用され、比較されました。実験研究に基づいて、216 セットのデータを含むデータベースが作成されました。データベースは、花崗岩粉末に置き換えたセメントの割合、試験時間、養生条件などのパラメータで構成されます。アンサンブルモデルと 3 つの入力パラメーターのみを使用して圧縮強度を予測するという点で、グリーンセメント質複合混合物を設計するためのこの方法は、従来のアプローチよりも正確ではるかに正確であることが示されました。さらに、著者の知る限り、人工知能はここ数十年間、設計および製造業界で使用されている最も効果的かつ正確な手法の 1 つです。この方法は単純であるため、入力変数の評価が容易なため、構築の実践により適しています。炭素排出量削減への動きが高まる中、廃棄物を出さずに実験室で行われる従来の試験よりも正確なグリーンセメント複合材料を設計する方法が不可欠です。

いわゆる「グリーンセメント複合材」の製造における混和剤の適用は、最近、持続可能な開発においてより重要な役割を果たしています。これは主に、ポルトランドセメントの製造中に発生する二酸化炭素（CO2）の量を削減しようとする最近の世界的な傾向によるものです1,2。これらの複合材料は、廃棄物混和剤を組み込んでおり、セメントの部分的な代替品として使用できるため、「環境に優しい」ものです。このような混和剤には、主にフライアッシュ、高炉スラグ微粉末（GGBFS）、および花崗岩粉末が含まれます3、4、5。これらが使用されるもう 1 つの理由は、これらの材料がさまざまな工業プロセスからの廃棄物であるという事実です6。

花崗岩粉末はリサイクルが難しいため、モルタルの混合物として使用することが主に関心を集めています。通常、この廃棄鉱物は保管されますが、分解時間は 1,000,000 年を超えます。花崗岩は、粉末粒子が空気中に浮遊し、土壌や水に侵入することが多いため、粉末状では非常に危険です。したがって、ミネラル廃棄物の粉末は人間や動物に呼吸不全を引き起こす可能性があります。さらに、その廃棄は水質汚染や植物の受粉（環境に有害）を引き起こします。廃棄鉱物粉末を固体材料 (モルタルやコンクリートなど) に組み込むと、その有害な影響が減少し、有害性が軽減されます7。最近、花崗岩粉末を含むセメント質複合材料の挙動に焦点を当てた研究が増えています。この研究は、特に硬化セメント質複合材料の機械的特性 (圧縮強度 8、曲げ強度 9、引張分割強度 10 など) に関連しています。

セメント質複合材料の圧縮強度を確認するための従来の方法では、実験室での破壊試験が必要です。残念ながら、これらのテストは非常に費用と時間がかかります。たとえば、欧州連合では、1 シリーズの複合材料をテストするのに 100 ユーロ以上の費用がかかります。これらのテストは破壊的であるため、限られた数のサンプルに対して実行され、不正確な結果が生じる可能性があります。これにより、従来の方法論は効果がなくなり、機械的特性を得るプロセスの二酸化炭素排出量が増加します。さらに、従来の方法11では、セメントの代替として花崗岩粉末を多量（セメント質量の15％以上）に含むモルタルの圧縮強度を評価する能力が不足しているため、より正確な方法が必要とされています。著者の知る限り、人工知能はここ数十年間、設計および製造業界で使用されてきた最も効果的かつ正確な手法の 1 つです。

上述の欠点を克服するために、機械学習アルゴリズムに基づくモデリング手法が、さまざまな工学的問題 (圧縮強度 12、セメント質複合層間の接着力 13、土壌圧縮係数 14、土壌浸食感受性 15、軸方向圧縮などの予測など) に対処するためにより頻繁に使用されています。容量16およびコンクリート混合物の設計17)。機械学習を使用したこのようなモデリングは、問題定義、データ収集、モデリング、評価、結果分析の 5 つのステップで構成されます18。

これらの技術の中で、人工ニューラルネットワーク (ANN) が特に人気があります。以前の研究では、ANN はセメント質複合材の圧縮強度を予測するのに非常に役立ち 19、20、21 、軽量セメント質複合材 22 やセメント質レンガ 23 の圧縮強度、および自己圧縮複合材 24 の圧縮強度を決定するために使用されてきました。しかし、このような研究は、さまざまな混和剤を含むグリーンセメント質複合材料については依然として必要です。まず、さまざまな荷重条件下でのこのような複合材料の挙動を決定する必要があります。特に、これらの混和剤は複合材料の圧縮強度に影響を与えます。さらに、機械学習ベースの圧縮強度予測モデルの作成は、これらの特性を特定する非破壊的な方法であるため、コンクリートを製造する企業にとって、関連するコストと時間が削減されます。課せられた規格の要件と、硬化したコンクリート混合物のすべての部分を試験する義務（場合によっては 1 日に 1 回）による圧縮強度試験のために、毎日、大量のコンクリートが無駄になっています25。

しかし、より最近では、コンクリートの圧縮強度を予測する際の精度が非常に高く、パフォーマンスが優れているため、アンサンブルモデルを使用する研究が行われています。これは、ランダムフォレストが線形仮定を拒否し、データセット内の一貫性のない変数の重要性を学習できるためです26。特に、ほとんどのアンサンブルモデルは、より高い過学習耐性を特徴としています。したがって、セメント複合材の圧縮強度の予測などに、さまざまなアンサンブルモデルが使用されてきました 27。これらのモデルは、再生ゴム 28、高炉スラグ、シリカフューム 29、フライアッシュ 30 を含むセメント複合材の圧縮強度の予測にも使用され、成功しています。

しかし、セメントを廃花崗岩粉末で置き換えたセメント複合材（セメントペースト、モルタル、またはコンクリート）の圧縮強度を予測するためのアンサンブルモデルはまだ不足しています。これは埋められるべき研究上のギャップであり、この記事の目標です。

この研究では、普通ポルトランドセメント (OPC) と花崗岩粉末 (GP) をバインダーとして使用しました。セメントおよび花崗岩粉末の物理的および化学的特性をそれぞれ表 1 および図 1 に示します。普通ポルトランドセメントと花崗岩粉末の粒度分布を篩分度展開法により調査した。両方の材料をふるいアセンブリ上に置き、180 秒間振盪しました。次に、各篩上の残留物の重量を測定し、篩い分け曲線を作成した。普通ポルトランドセメントと御影石粉の粒度分布を図1に比較します。細骨材には細粒度係数2.40、比重2.45、吸水率0.82の川砂を使用しました。今回の調査では、混合と硬化に飲料水を使用しました。

普通ポルトランドセメントと花崗岩粉末の化学的性質と粒度分布の比較。

本研究では、セメントを花崗岩粉末（GP）に置き換えた組成の異なる4シリーズのセメントモルタルを用意した。この研究で使用したモルタル混合物の重量割合の詳細を表 2 に示します。

図 2 に調査手順を示します。まず、乾燥成分をミキサーに入れて 30 秒間混合しました。次いで、水を加え、混合物を９０秒間混合した。次に、ミキサーの壁に残ったモルタルを手動で剥がし、混合物を 90 秒間混合しました。

花崗岩粉末を用いたセメントモルタルの製造工程。

混合後、モルタルスランプ沈下法31を用いてモルタルの稠度を調査し、準備した型枠にモルタルを配置した。成形から 24 時間後、サンプルの硬化プロセスが始まりました。サンプルは 3 つのグループに分けられ、表 3 に記載されている条件に従って保管されました。

7、28、および 90 日間の硬化後、サンプルを圧縮強度試験によって調査しました。圧縮強度試験は、32に準拠した圧縮強度試験機（図2）を用いて実施した。

実験プログラムでは、3 つの変数のみを変化させました: 年齢 (7、28、および 90 日)、硬化条件 (空気硬化、湿潤空気硬化、および水硬化)、および水とセメントの比率 (0.5、0.56、0.63、および 0.71) ）セメント量の減少と花崗岩粉末の量の増加を表します。したがって、圧縮試験は引張強度試験の後に 2 つの半分に対して実行されたため、調査されたサンプルの総数は 216 個でした。図 3 に、経年、硬化条件、および水分に関する圧縮強度の結果が示されています。対セメント比。

圧縮強度と(a)材齢、(b)養生条件、(c)花崗岩粉末量との関係。

図３によれば、年齢と圧縮強度との間には相関関係があるだけである。これは、R2 = 0.807 に等しい決定係数の値によって裏付けられます。他の変数と圧縮強度については、決定係数の値が R2 = 0.4 未満であることからわかるように、相関関係がありません。予想通り、最高の圧縮強度値は水中に保管されたサンプルで得られました。それらの硬化条件はCC1として示されます。サンプルが古いほど、得られる圧縮強度の値は高くなります。ただし、花崗岩粉末の添加では参照サンプルの 60 MPa に等しい圧縮強度値を得ることができませんが、粉末の充填効果により、花崗岩粉末の含有量が増加するにつれて圧縮強度の最小値は増加します（約花崗岩粉末によるセメントの 10% 置換の場合は 20 MPa から 28 MPa、花崗岩粉末によるセメントの 20% 置換の場合は 25 MPa まで)。この効果は、低品質のセメント質複合混合物の設計に非常に有望です。

上で述べたように、混合比率、硬化条件、または試験年齢と圧縮強度の構成要素である変数の間には強い相関関係はありません。したがって、アンサンブルモデルなどのより洗練された手法を使用して数値解析を実行することが合理的です。

教師あり機械学習アルゴリズムとみなされる決定木に基づくこれらのモデルは、回帰問題と分類問題の両方を解決できます。このような決定木の構造は、二分決定が行われるノードで構成されており、この分割はアルゴリズムがノード内のデータを分離できなくなるまで続きます33。このノードはツリーの葉と呼ばれ、問題の解決策を提供します。このタイプのアルゴリズムを使用する利点は、得られるモデルが単純であることです。ただし、これは逆に、アルゴリズムの過剰適合につながる可能性があるため、欠点でもあります。デシジョンツリーは正確であり、変数の変動が大きいデータセットやレコード数が多くない場合に良好なパフォーマンスを発揮します34。

この問題は、1 つの問題の解決策を得るために多くの決定木を使用するランダムフォレストアルゴリズムを使用することで解決できる可能性があります。フォレスト内の各ツリーはランダムなトレーニングセットによって構築され、各ノードではランダムに選択された入力変数に基づいて除算が実行されます35。

ただし、場合によっては、ランダムフォレストアルゴリズムのパフォーマンスが正確ではないため、改善する努力が必要です。この目的のために、さまざまなアンサンブル学習アルゴリズムの中で、適応ブースティング (AdaBoost) アルゴリズムが最も典型的で広く使用されています 36。このアルゴリズムは、前のツリーの精度に基づいてアルゴリズム内の次のツリーが変更され、学習能力が強化されるため、効果的です。入力変数が Xi で示され、出力変数が Yi で示される決定木の構造スキームを、ランダムフォレストおよび AdaBoost アルゴリズムスキームと組み合わせて図 4 に示します。

アンサンブルモデルのスキーム: (a) デシジョンツリー、(b) ランダムフォレスト、および (c) AdaBoost。

モデルの精度レベルは、いくつかのパラメータを使用して評価されます。37 によれば、これらのパラメータには、線形相関係数 (R)、平均絶対誤差 (MAE)、二乗平均平方根誤差 (RMSE)、および平均パーセント誤差 (メイプ）。これらのパラメータの計算は次のように実行されます。

ここで、 y は実験テストの測定値です。 \(\hat{y}\)、分析からの予測値。 \(\overline{y}\)、平均値; n、プロセス内のデータサンプルの数。

R 値が 1 に近いほど、アルゴリズムによる予測が良好であることに対応します。次に、MAE、RMSE、MAPE の値が低いということは、そのアルゴリズムが他のアルゴリズムよりも出力変数をよりよく予測していることを意味します。さらに、過剰適合を回避するために、図 5 に示すように 38 に従って 10 倍の相互検証が実行されます。

相互検証の分割の分割。

図5に示すデータセットの分割に基づいて数値解析を実行します。各フォールドのパフォーマンスが評価され、R、MAE、RMSE、MAPE の値に関して図 6 に示されています。さらに、実験的に測定された圧縮強度値と機械学習アルゴリズムを使用して取得された圧縮強度値との関係を図 8 の誤差分布と組み合わせて図 7 に示します。

分析のパフォーマンスは、(a) 線形相関係数、(b) 平均平均誤差、(c) 二乗平均平方根誤差、(d) 平均パーセント誤差によって評価されます。

(a) デシジョンツリー、(b) ランダムフォレスト、および (c) AdaBoost アルゴリズムによる、測定された圧縮強度と予測された圧縮強度の間の関係。

予測誤差の分布: (a) 値と (b) パーセンテージ。

図１、２によると、図６、７、および８に示されるように、調査されたすべてのアンサンブルモデルは、廃花崗岩を含むモルタルの圧縮強度を予測するという点で非常に正確である。これは、係数 R の線形相関で得られた 1.0 に近い非常に高い値によって証明されています。パフォーマンスの精度は、図 7 に示すように 4% 未満という非常に低い誤差値によっても裏付けられています。さらに、図 8 によれば、提案されたモデルは圧縮強度値を正確に予測しますが、いくつかのサンプルの強度を適切に予測できないだけです (パーセンテージ誤差は 10% を超えています)。

提案されたモデルは、さまざまな混和剤を含むグリーンセメント複合材の圧縮強度を予測する目的で使用される他の機械学習アルゴリズムと比較しても正確です。この研究で提示されたモデルによって得られた結果に加えて、いくつかの選択された研究が表 4 に示されています。

表 4 の結果を分析すると、機械学習アルゴリズムを使用したグリーンセメント質複合材料の圧縮強度の精度レベルが非常に高いことがわかります。さらに、この研究では、以前に調査されたものと比較して、さまざまな混和剤を含むグリーンセメント複合材の圧縮強度を予測するための非常に正確なモデルが構築されています。

この記事では、サンプルの年齢と硬化条件を考慮して、廃花崗岩粉末を含むモルタルの圧縮強度を予測するための 3 つのアンサンブルモデルの比較を示しました。この目的のために、実験プログラムに基づいてデータベースが構築されました。このデータベースは、さまざまな年齢で準備され、さまざまな条件で硬化された標準化されたサンプルに対して実行されたテストに基づいて作成されました。提示された研究に基づいて、次の結論を導き出すことができます。

この記事は、花崗岩の粉末を添加したモルタルの圧縮強度を、試験年数、水とセメントの比率、硬化条件という 3 つのパラメータだけで予測できることを示しています。したがって、提示された方法は、使用時に簡単で信頼性が高いことがわかります。

この方法の有用性は、線形相関係数 R の非常に高い値によって証明されました。これは、デシジョンツリーでは 0.989、ランダムフォレストでは 0.989、AdaBoost では 0.988 に相当します。

すべてのモデルは低い誤差値を特徴としており、MAE の場合は 1.270 MPa 未満、RMSE の場合は 2.633 MPa 未満、MAPE の場合は 3.35% 未満でした。

著者らは、提案された方法には試験時間や水とセメントの比率などの制限があることを強調しています。ただし、この論文で考慮されていない唯一の硬化条件は高温です。したがって、これらのモデルは、サンプルが硬化されるほぼすべての条件で使用できます。実用的な観点から、このモデルが他の研究者によって作成されたサンプルに対して正確であるかどうかを検証することは有益である可能性があります。さらに、このモデルが同様のセメント質複合混合物だけでなく、他の廃棄鉱物粉末にも使用できるかどうかを検証する必要があります。さらに、表面下の引張強さ、クリープひずみ、収縮などの生セメント質複合材料の他の特性をモデル化することも有益である可能性があります。さらに、セメント質複合材料に廃棄物を使用するという生態学的観点からの取り組みが進められているため、新しく設計されたセメント質複合材料の混合物に適したモデルとなるようにモデルを継続的に更新することは合理的です。

この研究中に生成または分析されたすべてのデータは、この公開された論文とその補足情報ファイルに含まれています。

Monteiro, PJM、Miller, SA & Horvath, A. 持続可能なコンクリートに向けて。ナット。メーター。 16、698–699。 https://doi.org/10.1038/nmat4930 (2017)。

論文 ADS CAS PubMed Google Scholar

He, B.、Huang, S. & Wang, J. 動的プログラミングアルゴリズムを使用した製品の低炭素設計。内部。Ｊ．Ｐｒｅｃｉｓ．工学メーカー 2、37–42。 https://doi.org/10.1007/s40684-015-0005-z (2015)。

記事 Google Scholar

Han、IJ、Yuan、TF、Lee、JY、Yoon、YS、Kim、JH ハイブリッド人工ニューラルネットワークモデルを使用した GGBFS コンクリートの圧縮強度の予測を学習しました。メーター。 12、12223708。https://doi.org/10.3390/ma12223708 (2019)。

記事 CAS Google Scholar

Szelag, M. ひび割れパターンの特性に基づいたレンガ粉末改質セメントペーストの加熱後の機械的性能のインテリジェントな予測モデリング。ケーススタッド。構造メーター。 15、e00668。 https://doi.org/10.1016/j.cscm.2021.e00668 (2021)。

記事 Google Scholar

Krzywinski、K. 他再生細骨材で改質されたグリーンエポキシ樹脂コーティングのエンジニアリングおよび製造技術。内部。Ｊ．Ｐｒｅｃｉｓ．工学メーカーグリーンテック。 9、253–271。 https://doi.org/10.1007/s40684-021-00377-w (2022)。

記事 Google Scholar

Galinska, A. & Czarnecki, S. コンクリートの選択された機械的特性に対する産業廃棄物由来の鉱物粉末の影響。 IOP 会議サー。メーター。科学。工学 245、032039。https://doi.org/10.1088/1757-899X/245/3/032039 (2017)。

記事 Google Scholar

チョワニエツ、A.、チャルネツキ、S.、サドウスキー、Ł. 工業用塗料に相乗的に使用することで、廃石英粉末の有害な影響とエポキシ樹脂の毒性を軽減します。環境。科学。汚染。解像度 https://doi.org/10.1007/s11356-022-19772-0 (2022)。

記事 Google Scholar

アステリス、PG et al. 機械学習技術を使用したセメントベースのモルタルの圧縮強度の予測。ニューラルコンピューティング。応用 33、13089–13121。 https://doi.org/10.1007/s00521-021-06004-8 (2021)。

記事 Google Scholar

Jain, A.、Gupta, R. & Chaudhary, S. 花崗岩廃棄物と飛灰を使用した自己充填コンクリートの持続可能な開発。構造建てる。メーター。 262、120516。https://doi.org/10.1016/j.conbuildmat.2020.120516 (2020)。

記事 Google Scholar

Rashwan, MA、Al-Basiony, TM、Mashaly, AO & Khalil, MM セメント代替品として大理石と花崗岩のスラッジを組み込んだ生コンクリートと硬化コンクリートの挙動。 J.ビルド。工学 32、101697。 https://doi.org/10.1016/j.jobe.2020.101697 (2020)。

記事 Google Scholar

Gołaszewski, J.、Cygan, G.、Drewniok, M. モルタルの特性に基づいてコンクリート混合物の組成を設計します。技術。トランス。土木工学 1-B、29–37 (2014)。

Google スカラー

アーマド、A.ら。個別およびアンサンブルアルゴリズムを使用したフライアッシュベースのコンクリートの圧縮強度の予測。メーター。 14, 794。 https://doi.org/10.3390/ma14040794 (2021)。

記事 CAS Google Scholar

Czarnecki, S.、Sadowski, Ł & Hoła, J. 補修オーバーレイとコンクリート基材の間の層間結合を非破壊的に識別するための人工ニューラルネットワーク。上級工学ソフトウェア。 141、102769。https://doi.org/10.1016/j.advengsoft.2020.102769 (2020)。

記事 Google Scholar

ブイ、DT、ヌー、V.-H. &ホアン、ノースダコタ州群知能と多層パーセプトロンニューラルネットワークの新しい統合機械学習アプローチを使用した、都市住宅プロジェクトの土壌圧縮係数の予測。上級工学情報 38、593–604。 https://doi.org/10.1016/j.aei.2018.09.005 (2018)。

記事 Google Scholar

Vu、DT、Tran、XL、Cao、MT、Tran、TC & Hoang、ND ソーシャルスパイダーアルゴリズムに最適化された多変量適応回帰スプラインを使用した、機械学習ベースの土壌侵食感受性予測。測定 164、108066。https://doi.org/10.1016/j.measurement.2020.108066 (2020)。

記事 Google Scholar

トラン、VL、タイ、D.-K. & キム、S.-E. SCFST カラムの ACC の予測における ANN の応用。コンポ。構造体。 228、111332。https://doi.org/10.1016/j.compstruct.2019.111332 (2019)。

記事 Google Scholar

Rudnicki, T. 自己充填コンクリートを設計する機能的な方法。資料 14、267。https://doi.org/10.3390/ma14020267 (2021)。

論文 ADS CAS PubMed Central Google Scholar

キム、DH 他機械学習を使用したスマートな加工プロセス: 機械加工業界のレビューと展望。内部。Ｊ．Ｐｒｅｃｉｓ．工学メーカー-グリーン。技術。 5、555–568。 https://doi.org/10.1007/s40684-018-0057-y (2018)。

記事 Google Scholar

Nikoo, M.、Moghadam, FT、Sadowski, L. 進化的人工ニューラルネットワークによるコンクリートの圧縮強度の予測。上級メーター。科学。工学 https://doi.org/10.1155/2015/849126 (2015)。

記事 Google Scholar

Behnood, A. & Golafshani, EM 多目的ハイイロオオカミを備えたハイブリッド人工ニューラルネットワークを使用して、シリカフュームコンクリートの圧縮強度を予測します。 J. クリーナー製品。 202、54–64。 https://doi.org/10.1016/j.jclepro.2018.08.065 (2018)。

記事 CAS Google Scholar

Kandiri, A.、Golafshani, EM、Behnood, A. ハイブリッド多目的 ANN およびサルプ群アルゴリズムを使用した、高炉スラグ微粉末を含むコンクリートの圧縮強度の推定。構造ビルドメーター。 248、118676。https://doi.org/10.1016/j.conbuildmat.2020.118676 (2020)。

記事 Google Scholar

Khan, SU、Ayub, T. & Rafeeqi, SFA 人工ニューラルネットワーク (ANN) を使用したフェロセメントで閉じ込められた普通コンクリートの圧縮強度の予測と既存の数学モデルとの比較。午前。 J. 土木工学アーチ。 1、7～14。 https://doi.org/10.12691/ajcea-1-1-2 (2013)。

記事 CAS Google Scholar

Zhou, Q.、Wang, F.、Zhu, F. 人工ニューラルネットワークと適応ニューロファジー推論システムを使用した、中空コンクリート石積みプリズムの圧縮強度の推定。構造建てる。メーター。 125、417–426。 https://doi.org/10.1016/j.conbuildmat.2016.08.064 (2016)。

記事 Google Scholar

Safiuddin, M.、Raman, SN、Salam, MA、Jumaat, MZ パーム油燃料灰を組み込んだ自己強化高強度コンクリートの圧縮強度のモデリング。メーター。 9、5。 https://doi.org/10.3390/ma9050396 (2016)。

記事 CAS Google Scholar

EN 206+A2:2021–08 コンクリート – 仕様、性能、製造および適合性、PKN、ワルシャワ 2021

マサチューセッツ州デルソー、E. ラフチエフ、JR カスプルジク、B. ラジャゴパラン、WV III のスルバール。現場に打設されたコンクリートの圧縮強度を予測するための機械学習手法の比較。構造建てる。メーター。 228、116661。https://doi.org/10.1016/j.conbuildmat.2019.08.042 (2019)。

記事 Google Scholar

Erdal, HI、Karakurt, O.、Namli, E. 離散ウェーブレット変換に基づくアンサンブルモデルを使用した高性能コンクリート圧縮強度予測。工学応用アーティフ。知性。 26(4)、1246–1254。 https://doi.org/10.1016/j.engappai.2012.10.014 (2013)。

記事 Google Scholar

Kovacevic, M.、Lozancic, S.、Nyarko, EK、Hadzima-Nyarko, M. 機械学習を使用した自己圧縮ゴム引きコンクリートの圧縮強度のモデリング。資料 14(15)、4346。https://doi.org/10.3390/ma14154346 (2021)。

論文 ADS CAS PubMed PubMed Central Google Scholar

Chou, JS & Pham, AD 高性能コンクリートの圧縮強度を予測するためのアンサンブルアプローチ用の強化された人工知能。構造建てる。メーター。 49、554–563。 https://doi.org/10.1016/j.conbuildmat.2013.08.078 (2013)。

記事 Google Scholar

ハワイ州エルダル高性能コンクリート圧縮強度予測のためのデシジョンツリーの 2 レベルおよびハイブリッドアンサンブル。工学応用アーティフ。知性。 26(7)、1689 ～ 1697 年。 https://doi.org/10.1016/j.engappai.2013.03.014 (2013)。

記事 Google Scholar

EN 12350–2:2011、生コンクリートの試験 - パート 2: スランプ試験

EN 12390–3:2019–07、硬化コンクリートの試験 - パート 3: 試験片の圧縮強度

Kamiński, B.、Jakubczyk, M.、Szufel, P. デシジョンツリーの感度分析のフレームワーク。セント。ユーロ。Ｊ．Ｏｐｅｒ．解像度 26、135–159。 https://doi.org/10.1007/s10100-017-0479-6 (2018)。

記事 MathSciNet PubMed MATH Google Scholar

Sharafati, A.、Haji Seyed Asadollah, SB、Al-Ansari, N. 中空コンクリート石積みプリズムの圧縮強度を予測するためのバギングアンサンブルモデルの適用。アイン・シャムス工学 J. 12(4)、3521–3530。 https://doi.org/10.1016/j.asej.2021.03.028 (2021)。

記事 Google Scholar

Han, Q.、Changqing, G.、Xu, J. & Lacidogna, G. 改良されたランダムフォレストアルゴリズムによって高性能コンクリートの圧縮強度を予測する一般化された方法。構造建てる。メーター。 226、734–742。 https://doi.org/10.1016/j.conbuildmat.2019.07.315 (2019)。

記事 Google Scholar

Feng、DC et al. 機械学習ベースのコンクリートの圧縮強度予測: 適応ブースティングアプローチ。構造建てる。メーター。 230、117000。https://doi.org/10.1016/j.conbuildmat.2019.117000 (2020)。

記事 Google Scholar

Asteris, PG、Skentou, AD、Bardhan, A.、Samui, P.、Pilakoutas, K. 代理機械学習モデルのハイブリッドアンサンブルを使用したコンクリート圧縮強度の予測。セム。結論解像度 145、106449 (2021)。

記事 CAS Google Scholar

Vakharia, V. & Gujar, R. 相互検証および特徴ランキング手法を使用した、圧縮強度とポルトランドセメント組成の予測。構造建てる。メーター。 225、292–301 (2019)。

記事 Google Scholar

リファレンスをダウンロードする

著者らは、COST Association が支援するプロジェクト [助成金番号 ECOST-STSM-CA18224-230821-130644 「廃棄物を含むセメント質複合材の圧縮強度を予測するための新しい機械学習技術の応用」] から、数値解析と可能なネットワーク構築を実行するための資金を受け取りました。花崗岩の粉末です。」

著者らは、ポーランド国立研究開発センター[助成金番号 LIDER/35/0130/L-11/19/NCBR/2020「花崗岩粉末廃棄物の使用選ばれた建設製品の生産。」]

材料工学および建設プロセス学部、ヴロツワフ科学技術大学、Wybrzeze Wyspianńskiego 27、50-370、ヴロツワフ、ポーランド

スワウォミール・チャルネツキ、エイドリアン・チャイェツ、ウカシュ・サドフスキ

オシエク土木建築学部、ヨシップ・ジュラジ・ストロスマイヤー大学オシエク校、ウラジミラ・プレロガ3、31000、オシエク、クロアチア

マリジャナ・ハジマ・ニャルコ

PubMed Google Scholar でこの著者を検索することもできます

SC、LS、MH-N。研究計画と研究コンセプトを設計します。 AC は実験室試験を実行してデータを準備し、SC は数値解析を実行し、SC と M. HN が実行しました。が原稿の草稿を書き、AC と LS が原稿を修正し、LS がこの研究の資金を獲得しました。

スワウォミール・チャルネツキへの通信。

著者らは競合する利害関係を宣言していません。

シュプリンガーネイチャーは、発行された地図および所属機関における管轄権の主張に関して中立を保ちます。

オープンアクセスこの記事はクリエイティブコモンズ表示 4.0 国際ライセンスに基づいてライセンスされており、元の著者と情報源に適切なクレジットを表示する限り、あらゆる媒体または形式での使用、共有、翻案、配布、複製が許可されます。クリエイティブコモンズライセンスへのリンクを提供し、変更が加えられたかどうかを示します。この記事内の画像またはその他のサードパーティ素材は、素材のクレジットラインに別段の記載がない限り、記事のクリエイティブコモンズライセンスに含まれています。素材が記事のクリエイティブコモンズライセンスに含まれておらず、意図した使用が法的規制で許可されていない場合、または許可されている使用を超えている場合は、著作権所有者から直接許可を得る必要があります。このライセンスのコピーを表示するには、http://creativecommons.org/licenses/by/4.0/ にアクセスしてください。

転載と許可

Czarnecki, S.、Hadzima-Nyarko, M.、Chajec, A. 他廃花崗岩粉末を使用して改質されたグリーンセメント質複合材料を正確に製造するための機械学習モデルの設計。 Sci Rep 12、13242 (2022)。 https://doi.org/10.1038/s41598-022-17670-6

引用をダウンロード

受信日: 2022 年 3 月 3 日

受理日: 2022 年 7 月 28 日

公開日: 2022 年 8 月 2 日

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

次のリンクを共有すると、誰でもこのコンテンツを読むことができます。

申し訳ございませんが、現在この記事の共有リンクは利用できません。

Springer Nature SharedIt コンテンツ共有イニシアチブによって提供

科学レポート (2023)

コメントを送信すると、利用規約とコミュニティガイドラインに従うことに同意したことになります。虐待的なもの、または当社の規約やガイドラインに準拠していないものを見つけた場合は、不適切としてフラグを立ててください。