Conception d'un modèle d'apprentissage automatique pour la fabrication précise de composites cimentaires verts modifiés avec des déchets de poudre de granit

Rapports scientifiques volume 12, Numéro d'article : 13242 (2022) Citer cet article

1240 accès

4 Citations

3 Altmétrique

Détails des métriques

Dans cette étude, un modèle d'apprentissage automatique pour la fabrication précise de composites cimentaires verts modifiés avec de la poudre de granit provenant de déchets de carrière a été conçu. À cette fin, des modèles d'arbre de décision, de forêt aléatoire et d'ensemble AdaBoost ont été utilisés et comparés. Une base de données a été créée contenant 216 ensembles de données basées sur une étude expérimentale. La base de données se compose de paramètres tels que le pourcentage de ciment remplacé par de la poudre de granit, le temps d'essai et les conditions de durcissement. Il a été démontré que cette méthode de conception des mélanges composites cimentaires verts, en termes de prédiction de la résistance à la compression à l'aide de modèles d'ensemble et de seulement trois paramètres d'entrée, peut être plus précise et beaucoup plus précise que l'approche conventionnelle. De plus, à la connaissance des auteurs, l'intelligence artificielle a été l'une des méthodes les plus efficaces et les plus précises utilisées dans l'industrie de la conception et de la fabrication au cours des dernières décennies. La simplicité de cette méthode la rend plus adaptée à la pratique de la construction en raison de la facilité d'évaluation des variables d'entrée. Alors que la pression vers la diminution des émissions de carbone augmente, une méthode de conception de composites cimentaires verts sans production de déchets plus précise que les tests traditionnels effectués en laboratoire est essentielle.

L'application d'adjuvants dans la fabrication de ce que l'on appelle les «composites cimentaires verts» a récemment joué un rôle plus important dans le développement durable. Cela est principalement dû à la tendance mondiale récente à la réduction de la quantité de dioxyde de carbone (CO2) générée lors de la production de ciment Portland1,2. Ces composites sont "verts" du fait de l'incorporation des adjuvants des déchets et en remplacement partiel du ciment. Ces adjuvants comprennent principalement des cendres volantes, du laitier granulé de haut fourneau broyé (GGBFS) et de la poudre de granit3,4,5. Une raison supplémentaire de leur utilisation est le fait que ces matériaux sont des déchets issus de divers procédés industriels6.

L'utilisation de la poudre de granit comme adjuvant dans les mortiers présente surtout un intérêt car ce matériau est difficilement recyclable. Habituellement, ces déchets minéraux sont stockés mais ont un temps de décomposition supérieur à 1 000 000 d'années. Le granit est extrêmement dangereux sous forme de poudre car les particules de poudre sont souvent en suspension dans l'air et pénètrent dans le sol et l'eau. Ainsi, les poudres de déchets minéraux ont le potentiel de provoquer une insuffisance respiratoire chez les humains et les animaux. De plus, son élimination entraîne une pollution de l'eau et la pollinisation des plantes (ce qui est préjudiciable à l'environnement). L'incorporation de déchets de poudres minérales dans des matériaux solides (tels que du mortier ou du béton) réduit ses effets dangereux, atténuant leur nocivité7. Récemment, un nombre croissant d'études ont porté sur le comportement des composites cimentaires contenant de la poudre de granit. Cette recherche est particulièrement liée aux propriétés mécaniques des composites cimentaires durcis (par exemple, la résistance à la compression8, la résistance à la flexion9, la résistance à la traction10).

La méthodologie conventionnelle d'identification de la résistance à la compression des composites cimentaires nécessite des essais destructifs en laboratoire. Malheureusement, ces tests sont très coûteux et chronophages. Par exemple, dans l'Union européenne, il en coûte pas moins de 100 euros pour tester une série de composites. Ces tests étant destructifs, ils sont effectués sur un nombre limité d'échantillons, ce qui peut conduire à des résultats imprécis. Cela rend la méthodologie conventionnelle inefficace et augmente l'empreinte carbone du processus d'obtention des propriétés mécaniques. De plus, comme avec les méthodes traditionnelles11, la capacité d'évaluer la résistance à la compression d'un mortier contenant une grande quantité (plus de 15 % de la masse de ciment) de poudre de granit comme substitut du ciment fait défaut, une méthode plus précise est nécessaire. À la connaissance des auteurs, l'intelligence artificielle a été l'une des méthodes les plus efficaces et les plus précises utilisées dans l'industrie de la conception et de la fabrication au cours des dernières décennies.

Pour surmonter les inconvénients mentionnés ci-dessus, les méthodes de modélisation basées sur des algorithmes d'apprentissage automatique sont utilisées plus fréquemment pour résoudre divers problèmes d'ingénierie (par exemple, la prédiction de la résistance à la compression12, l'adhérence entre les couches de composite cimentaire13, le coefficient de compression du sol14, la susceptibilité à l'érosion du sol15 et la compression axiale). capacité16 et la conception des mélanges de béton17). Une telle modélisation, utilisant l'apprentissage automatique, se compose de 5 étapes : définition du problème, collecte de données, modélisation, évaluation et analyse des résultats18.

Parmi ces techniques, les réseaux de neurones artificiels (ANN) sont particulièrement populaires. Dans des recherches antérieures, les RNA ont été très utiles pour prédire la résistance à la compression des composites cimentaires19,20,21 et ont été utilisés pour déterminer la résistance à la compression des composites cimentaires légers22 et des briques cimentaires23, ainsi que la résistance à la compression des composites auto-compactants24. Cependant, de telles recherches sont encore nécessaires pour les composites cimentaires verts contenant différents adjuvants. Tout d'abord, le comportement de ces composites sous diverses conditions de chargement doit être déterminé. En particulier, ces adjuvants affectent la résistance à la compression des composites. De plus, comme la création de modèles basés sur l'apprentissage automatique pour la prédiction de la résistance à la compression est un moyen non destructif d'identifier ces propriétés, cela réduirait les coûts et le temps associés pour les entreprises produisant du béton. Chaque jour, des tonnes de béton sont gaspillées à cause des tests de résistance à la compression dus aux exigences des normes imposées et à l'obligation de tester toutes les parties d'un mélange de béton durci, dans certains cas une fois par jour25.

Cependant, plus récemment, des études ont été entreprises pour utiliser des modèles d'ensemble en raison de leur très grande précision et de leurs bonnes performances dans la prédiction de la résistance à la compression du béton. En effet, une forêt aléatoire rejette les hypothèses linéaires et est capable d'apprendre l'importance des variables incohérentes dans les ensembles de données26. Notamment, la plupart des modèles d'ensemble sont caractérisés par une résistance au surajustement plus élevée. Par conséquent, divers modèles d'ensemble ont été utilisés, par exemple, pour la prédiction de la résistance à la compression des composites cimentaires27. Ces modèles ont également été utilisés avec succès pour prédire la résistance à la compression de composites cimentaires contenant du caoutchouc recyclé28, du laitier de haut fourneau, de la fumée de silice29 et des cendres volantes30.

Cependant, les modèles d'ensemble pour prédire la résistance à la compression des composites cimentaires (pâte de ciment, mortier ou béton) où le ciment est remplacé par les déchets de poudre de granit font encore défaut. C'est une lacune de la recherche qui devrait être comblée et c'est l'un des objectifs de cet article.

Dans cette étude, du ciment Portland ordinaire (OPC) et de la poudre de granit (GP) ont été utilisés comme liants. Les propriétés physiques et chimiques du ciment et de la poudre de granit sont décrites respectivement dans le tableau 1 et la figure 1. Les distributions granulométriques du ciment Portland ordinaire et de la poudre de granit ont été étudiées au moyen de la méthode de développement de la taille des tamis. Les deux matériaux ont été placés sur un ensemble de tamis puis secoués pendant 180 s. Ensuite, le résidu sur chaque tamis a été pesé et une courbe de criblage a été créée. Les distributions granulométriques du ciment Portland ordinaire et de la poudre de granit sont comparées à la Fig. 1. Du sable de rivière avec un module de finesse de 2,40, une densité de 2,45 et une absorption d'eau de 0,82 a été utilisé comme agrégat fin. Dans la présente enquête, de l'eau potable a été utilisée pour le mélange et le durcissement.

Comparaison des propriétés chimiques et des distributions granulométriques du ciment Portland ordinaire et de la poudre de granit.

Dans cette recherche, 4 séries de mortiers de ciment ont été préparées, dont les compositions différaient par la quantité de ciment remplacée par de la poudre de granit (GP). Les détails des proportions du mélange de mortier en poids utilisé dans cette étude sont présentés dans le tableau 2.

La figure 2 présente la procédure de recherche. Tout d'abord, les ingrédients secs ont été placés dans un mélangeur et mélangés pendant 30 secondes. Ensuite, de l'eau a été ajoutée et le mélange a été mélangé pendant 90 secondes. Ensuite, les restes de mortier sur les parois du mélangeur ont été retirés manuellement et le mélange a été mélangé pendant 90 s.

Processus de production de mortiers de ciment avec de la poudre de granit.

Après le mélange, la consistance du mortier a été étudiée en utilisant la méthode d'affaissement du mortier31, puis le mortier a été placé dans des formes préparées. Vingt-quatre heures après le moulage, le processus de durcissement de l'échantillon a commencé. Les échantillons ont été divisés en 3 groupes puis conservés selon les conditions décrites dans le tableau 3.

Après 7, 28 et 90 jours de durcissement, les échantillons ont été étudiés par un test de résistance à la compression. Des tests de résistance à la compression ont été effectués à l'aide d'une machine d'essai de résistance à la compression (Fig. 2) selon32.

Dans le programme expérimental, seules trois variables ont été modifiées : l'âge (7, 28 et 90 jours), les conditions de séchage (séchage à l'air, séchage à l'air humide et séchage à l'eau) et le rapport eau/ciment (0,5, 0,56, 0,63 et 0,71 ) comme expression de la quantité décroissante de ciment et de la quantité croissante de poudre de granit. Ainsi, parce que les tests de compression ont été effectués sur 2 moitiés après les tests de résistance à la traction, le nombre total d'échantillons étudiés était de 216. Dans la Fig. 3, les résultats de la résistance à la compression sont présentés en fonction de l'âge, des conditions de durcissement et de l'eau. rapport au ciment.

Les relations entre la résistance à la compression et (a) l'âge, (b) les conditions de durcissement et (c) la quantité de poudre de granit.

Selon la figure 3, il n'y a qu'une corrélation entre l'âge et la résistance à la compression. Ceci est étayé par la valeur du coefficient de détermination, qui est égal à R2 = 0,807. Pour les autres variables et la résistance à la compression, il y a un manque de corrélation, comme en témoignent les valeurs très faibles du coefficient de détermination, qui sont inférieures à R2 = 0,4. Comme prévu, les valeurs de résistance à la compression les plus élevées sont obtenues pour les échantillons conservés dans l'eau ; leurs conditions de durcissement sont notées CC1. Plus les échantillons sont anciens, plus la valeur de la résistance à la compression obtenue est élevée. Cependant, l'ajout de la poudre de granit ne permet pas d'obtenir des valeurs de résistance à la compression égales aux 60 MPa de l'échantillon de référence, mais du fait de l'effet de remplissage de la poudre, les valeurs minimales de résistance à la compression augmentent avec l'augmentation de la teneur en poudre de granit (d'environ 20 MPa à 28 MPa pour un remplacement de 10 % de ciment par de la poudre de granit et à 25 MPa pour un remplacement de 20 % de ciment par de la poudre de granit). Cet effet est très prometteur pour la conception de mélanges composites cimentaires de faible qualité.

Comme mentionné ci-dessus, il n'y a pas de forte corrélation entre les variables qui sont des composants des proportions du mélange, des conditions de durcissement ou de l'âge des tests et de la résistance à la compression. Ainsi, il est raisonnable d'effectuer des analyses numériques en utilisant des techniques plus sophistiquées, par exemple, des modèles d'ensemble.

Ces modèles basés sur des arbres de décision, qui sont considérés comme des algorithmes d'apprentissage automatique supervisé, sont capables de résoudre à la fois des problèmes de régression et de classification. La structure d'un tel arbre de décision est constituée de nœuds dans lesquels une décision binaire est prise, et cette division se poursuit jusqu'au moment où l'algorithme n'est pas capable de séparer les données dans le nœud33. Ce nœud, appelé la feuille de l'arbre, fournit la solution du problème. L'avantage d'utiliser ce type d'algorithme est la simplicité du modèle obtenu. Cependant, en revanche, c'est aussi un inconvénient car cela peut conduire à un surajustement de l'algorithme. Les arbres de décision sont précis et fonctionnent bien sur des ensembles de données avec de grandes variations de variables et lorsque le nombre d'enregistrements n'est pas important34.

Ce problème peut être résolu en utilisant un algorithme de forêt aléatoire, qui utilise de nombreux arbres de décision pour obtenir la solution à un problème. Chaque arbre de la forêt est construit par un ensemble d'apprentissage aléatoire et, à chaque nœud, une division est effectuée en fonction de variables d'entrée sélectionnées au hasard35.

Cependant, dans certains cas, les performances de l'algorithme de forêt aléatoire ne sont pas précises et des efforts doivent être faits pour les améliorer. A cet effet, parmi les différents algorithmes d'apprentissage d'ensemble, l'algorithme de boosting adaptatif (AdaBoost) est le plus typique et le plus largement utilisé36. Cet algorithme est efficace car l'arbre suivant de l'algorithme est modifié en fonction de la précision de l'arbre précédent, renforçant ainsi la capacité d'apprentissage. Le schéma structurel d'un arbre de décision, où les variables d'entrée sont notées Xi et la variable de sortie est notée Yi, est présenté à la Fig. 4 combiné avec les schémas de forêt aléatoire et d'algorithme AdaBoost.

Schémas de modèles d'ensemble : (a) arbre de décision, (b) forêt aléatoire et (c) AdaBoost.

Le niveau de précision des modèles est évalué à l'aide de quelques paramètres qui, selon37, peuvent inclure le coefficient de corrélation linéaire (R), l'erreur absolue moyenne (MAE), l'erreur quadratique moyenne (RMSE) et l'erreur moyenne moyenne en pourcentage ( MAPE). Les calculs de ces paramètres sont effectués comme suit :

où y, valeur mesurée à partir du test expérimental ; \(\hat{y}\), valeur prédite à partir des analyses ; \(\overline{y}\), valeur moyenne ; n, nombre d'échantillons de données dans le processus.

Notez qu'une valeur R plus proche de 1 correspond à une meilleure prédiction de l'algorithme. À leur tour, des valeurs plus faibles de MAE et RMSE et MAPE signifient que l'algorithme prédit mieux les variables de sortie que les autres algorithmes. De plus, pour éviter le surajustement, une validation croisée décuplée est effectuée selon 38, comme présenté à la Fig. 5.

La division des plis de validation croisée.

Sur la base de la division de l'ensemble de données présenté à la Fig. 5, une analyse numérique est effectuée. La performance de chaque pli est évaluée et présentée à la Fig. 6 en termes de valeurs de R, MAE, RMSE et MAPE. De plus, les relations entre la valeur de résistance à la compression mesurée expérimentalement et celles obtenues à l'aide d'algorithmes d'apprentissage automatique sont présentées à la Fig. 7, combinées à la distribution des erreurs à la Fig. 8.

La performance des analyses est évaluée par (a) le coefficient de corrélation linéaire, (b) l'erreur moyenne moyenne, (c) l'erreur quadratique moyenne et (d) l'erreur moyenne moyenne en pourcentage.

Les relations entre la résistance à la compression mesurée et la résistance à la compression prédite par (a) arbre de décision, (b) forêt aléatoire et (c) algorithmes AdaBoost.

Répartition des erreurs de prédiction : (a) valeurs et (b) pourcentage.

Selon les Fig. 6, 7 et 8, tous les modèles d'ensemble étudiés sont significativement précis en termes de prédiction de la résistance à la compression du mortier contenant des déchets de granit. En témoignent les valeurs très élevées obtenues pour la corrélation linéaire du coefficient R, qui sont proches de 1,0. La précision des performances est également soutenue par les très faibles valeurs d'erreurs, qui, comme le montre la Fig. 7, sont inférieures à 4 %. De plus, selon la figure 8, les modèles proposés prédisent avec précision les valeurs de résistance à la compression et ne parviennent pas à prédire correctement la résistance de quelques échantillons (le pourcentage d'erreur est supérieur à 10%).

Le modèle proposé est également précis par rapport à d'autres algorithmes d'apprentissage automatique utilisés dans le but de prédire la résistance à la compression des composites cimentaires verts contenant différents adjuvants. Quelques travaux sélectionnés sont présentés dans le tableau 4 en plus des résultats obtenus par les modèles présentés dans ce travail.

L'analyse des résultats du tableau 4 montre que les niveaux de précision de la résistance à la compression des composites cimentaires verts à l'aide d'algorithmes d'apprentissage automatique sont très élevés. De plus, dans ce travail, un modèle très précis pour prédire la résistance à la compression du composite cimentaire vert contenant différents adjuvants, par rapport à ceux étudiés précédemment, est construit.

Dans cet article, une comparaison de trois modèles d'ensemble pour prédire la résistance à la compression de mortiers contenant des déchets de poudre de granit, en tenant compte de l'âge des échantillons et des conditions de cure, a été présentée. A cet effet, une base de données a été construite sur la base d'un programme expérimental. Cette base de données a été élaborée sur la base de tests effectués sur des échantillons standardisés préparés et testés à différents âges et durcis dans différentes conditions. Sur la base des recherches présentées, les conclusions suivantes peuvent être tirées :

L'article montre qu'il est possible de prédire la résistance à la compression des mortiers avec des ajouts de poudre de granit en se basant sur seulement trois paramètres : l'âge de l'essai, le rapport eau sur ciment et les conditions de cure. Par conséquent, la méthode présentée peut être considérée comme simple et fiable dans son utilisation.

L'utilité de cette méthode a été prouvée par les valeurs très élevées du coefficient de corrélation linéaire R, qui valent 0,989 pour l'arbre de décision, 0,989 pour la forêt aléatoire et 0,988 pour AdaBoost.

Tous les modèles étaient caractérisés par de faibles valeurs d'erreur, qui dans le cas de MAE étaient inférieures à 1,270 MPa, dans le cas de RMSE étaient inférieures à 2,633 MPa et dans le cas de MAPE étaient inférieures à 3,35%.

Les auteurs soulignent que la méthode proposée a des limites, notamment la durée de l'essai et le rapport eau-ciment. Cependant, les seules conditions de durcissement qui n'ont pas été prises en compte dans cet article étaient caractérisées par une température élevée ; ainsi, ces modèles peuvent être utilisés dans presque toutes les conditions dans lesquelles les échantillons sont durcis. D'un point de vue pratique, il pourrait être intéressant de vérifier si ce modèle est exact pour des échantillons préparés par d'autres chercheurs. De plus, il convient de vérifier si le modèle peut être utilisé pour des mélanges composites cimentaires similaires mais avec d'autres déchets de poudres minérales. De plus, il pourrait être avantageux de modéliser d'autres propriétés des composites cimentaires verts telles que la résistance à la traction souterraine, la déformation au fluage ou le retrait. De plus, en raison de la poussée d'inspiration écologique vers l'utilisation de déchets dans les composites cimentaires, il serait raisonnable de mettre constamment à jour le modèle pour le rendre adapté aux mélanges composites cimentaires nouvellement conçus.

Toutes les données générées ou analysées au cours de cette étude sont incluses dans cet article publié et ses fichiers d'informations supplémentaires.

Monteiro, PJM, Miller, SA & Horvath, A. Vers un béton durable. Nat. Mater. 16, 698–699. https://doi.org/10.1038/nmat4930 (2017).

Article ADS CAS PubMed Google Scholar

He, B., Huang, S. & Wang, J. Conception de produits à faible émission de carbone à l'aide d'un algorithme de programmation dynamique. Int. J. Précis. Ing. Fab. 2, 37–42. https://doi.org/10.1007/s40684-015-0005-z (2015).

Article Google Scholar

Han, IJ, Yuan, TF, Lee, JY, Yoon, YS et Kim, JH Apprentissage de la prédiction de la résistance à la compression du béton GGBFS à l'aide de modèles hybrides de réseaux de neurones artificiels. Mater. 12, 12223708. https://doi.org/10.3390/ma12223708 (2019).

Article CAS Google Scholar

Szelag, M. Modélisation de prédiction intelligente des performances mécaniques après chauffage de la pâte de ciment modifiée par poudre de brique basée sur les propriétés des modèles de fissuration. Goujon de cas. Constr. Mater. 15, e00668. https://doi.org/10.1016/j.cscm.2021.e00668 (2021).

Article Google Scholar

Krzywiński, K. et al. Ingénierie et technologie de fabrication de revêtements en résine époxy verte modifiée avec des granulats fins recyclés. Int. J. Précis. Ing. Fab. Technologie verte. 9, 253–271. https://doi.org/10.1007/s40684-021-00377-w (2022).

Article Google Scholar

Galińska, A. & Czarnecki, S. L'effet des poudres minérales dérivées de déchets industriels sur certaines propriétés mécaniques du béton. Conf. Ser. Mater. Sci. Ing. 245, 032039. https://doi.org/10.1088/1757-899X/245/3/032039 (2017).

Article Google Scholar

Chowaniec, A., Czarnecki, S. & Sadowski, Ł. Diminution de l'effet dangereux des déchets de poudre de quartz et de la toxicité de la résine époxy par son application synergique dans les revêtements industriels. Environ. Sci. Pollution. Rés. https://doi.org/10.1007/s11356-022-19772-0 (2022).

Article Google Scholar

Astéris, PG et al. Prédiction de la résistance à la compression des mortiers à base de ciment à l'aide de techniques d'apprentissage automatique. Calcul neuronal. Appl. 33, 13089–13121. https://doi.org/10.1007/s00521-021-06004-8 (2021).

Article Google Scholar

Jain, A., Gupta, R. & Chaudhary, S. Développement durable du béton autoplaçant en utilisant des déchets de granit et des cendres volantes. Constr. Construire. Mater. 262, 120516. https://doi.org/10.1016/j.conbuildmat.2020.120516 (2020).

Article Google Scholar

Rashwan, MA, Al-Basiony, TM, Mashaly, AO & Khalil, MM Comportement du béton frais et durci incorporant des boues de marbre et de granit en remplacement du ciment. J. Construire. Ing. 32, 101697. https://doi.org/10.1016/j.jobe.2020.101697 (2020).

Article Google Scholar

Gołaszewski, J., Cygan, G. & Drewniok, M. Conception de la composition des mélanges de béton en fonction des propriétés du mortier. Technologie. Trans. INGENIEUR civile. 1-B, 29–37 (2014).

Google Scholar

Ahmad, A. et al. Prédiction de la résistance à la compression du béton à base de cendres volantes à l'aide d'un algorithme individuel et d'ensemble. Mater. 14, 794. https://doi.org/10.3390/ma14040794 (2021).

Article CAS Google Scholar

Czarnecki, S., Sadowski, Ł & Hoła, J. Réseaux de neurones artificiels pour l'identification non destructive de la liaison intercouche entre le revêtement de réparation et le substrat en béton. Adv. Ing. Logiciel 141, 102769. https://doi.org/10.1016/j.advengsoft.2020.102769 (2020).

Article Google Scholar

Bui, DT, Nhu, V.-H. & Hoang, N.-D. Prédiction du coefficient de compression du sol pour un projet de logement urbain à l'aide d'une nouvelle approche d'intégration d'apprentissage automatique de l'intelligence en essaim et du réseau de neurones Perceptron multicouche. Adv. Ing. Inf. 38, 593–604. https://doi.org/10.1016/j.aei.2018.09.005 (2018).

Article Google Scholar

Vu, DT, Tran, XL, Cao, MT, Tran, TC et Hoang, ND Prédiction de la sensibilité à l'érosion des sols basée sur l'apprentissage automatique à l'aide d'un algorithme d'araignée sociale optimisé spline de régression adaptative multivariée. Mesure 164, 108066. https://doi.org/10.1016/j.measurement.2020.108066 (2020).

Article Google Scholar

Tran, VL, Thaï, D.-K. & Kim, S.-E. Application de l'ANN dans la prédiction de l'ACC de la colonne SCFST. Compos. Structure. 228, 111332. https://doi.org/10.1016/j.compstruct.2019.111332 (2019).

Article Google Scholar

Rudnicki, T. Méthode fonctionnelle de conception de béton autoplaçant. Matériaux 14, 267. https://doi.org/10.3390/ma14020267 (2021).

Article ADS CAS PubMed Central Google Scholar

Kim, DH et al. Processus d'usinage intelligent utilisant l'apprentissage automatique : un examen et une perspective sur l'industrie de l'usinage. Int. J. Précis. Ing. Manuf.-Vert. Technologie. 5, 555–568. https://doi.org/10.1007/s40684-018-0057-y (2018).

Article Google Scholar

Nikoo, M., Moghadam, FT et Sadowski, L. Prédiction de la résistance à la compression du béton par des réseaux de neurones artificiels évolutifs. Adv. Mater. Sci. Ing. https://doi.org/10.1155/2015/849126 (2015).

Article Google Scholar

Behnood, A. & Golafshani, EM Prédiction de la résistance à la compression du béton de fumée de silice à l'aide d'un réseau neuronal artificiel hybride avec des loups gris multi-objectifs. J. Cleaner Prod. 202, 54–64. https://doi.org/10.1016/j.jclepro.2018.08.065 (2018).

Article CAS Google Scholar

Kandiri, A., Golafshani, EM et Behnood, A. Estimation de la résistance à la compression de bétons contenant du laitier de haut fourneau granulé broyé à l'aide d'un algorithme hybride multi-objectifs ANN et essaim de salpes. Constr. Construire Mater. 248, 118676. https://doi.org/10.1016/j.conbuildmat.2020.118676 (2020).

Article Google Scholar

Khan, SU, Ayub, T. & Rafeeqi, SFA Prédiction de la résistance à la compression du béton ordinaire confiné avec du ferrociment à l'aide d'un réseau de neurones artificiels (ANN) et comparaison avec des modèles mathématiques existants. Suis. J. Civil Eng. Cambre. 1, 7–14. https://doi.org/10.12691/ajcea-1-1-2 (2013).

Article CAS Google Scholar

Zhou, Q., Wang, F. & Zhu, F. Estimation de la résistance à la compression de prismes de maçonnerie en béton creux à l'aide de réseaux de neurones artificiels et de systèmes d'inférence neuro-flous adaptatifs. Constr. Construire. Mater. 125, 417–426. https://doi.org/10.1016/j.conbuildmat.2016.08.064 (2016).

Article Google Scholar

Safiuddin, M., Raman, SN, Salam, MA & Jumaat, MZ Modélisation de la résistance à la compression d'un béton autoplaçant à haute résistance incorporant des cendres de combustible d'huile de palme. Mater. 9, 5. https://doi.org/10.3390/ma9050396 (2016).

Article CAS Google Scholar

EN 206+A2:2021–08 Béton – Spécification, performance, production et conformité, PKN, Varsovie 2021

DeRousseau, MA, Laftchiev, E., Kasprzyk, JR, Rajagopalan, B. & Srubar, WV III. Une comparaison des méthodes d'apprentissage automatique pour prédire la résistance à la compression du béton placé sur le terrain. Constr. Construire. Mater. 228, 116661. https://doi.org/10.1016/j.conbuildmat.2019.08.042 (2019).

Article Google Scholar

Erdal, HI, Karakurt, O. & Namli, E. Prévision de la résistance à la compression du béton à haute performance à l'aide de modèles d'ensemble basés sur une transformée en ondelettes discrète. Ing. Appl. Artif. Renseignement. 26(4), 1246–1254. https://doi.org/10.1016/j.engappai.2012.10.014 (2013).

Article Google Scholar

Kovacevic, M., Lozancic, S., Nyarko, EK et Hadzima-Nyarko, M. Modélisation de la résistance à la compression du béton caoutchouté auto-plaçant à l'aide de l'apprentissage automatique. Matériaux 14(15), 4346. https://doi.org/10.3390/ma14154346 (2021).

Article ADS CAS PubMed PubMed Central Google Scholar

Chou, JS & Pham, AD Intelligence artificielle améliorée pour l'approche d'ensemble pour prédire la résistance à la compression du béton à haute performance. Constr. Construire. Mater. 49, 554–563. https://doi.org/10.1016/j.conbuildmat.2013.08.078 (2013).

Article Google Scholar

Erdal, HI Ensembles à deux niveaux et hybrides d'arbres de décision pour la prédiction de la résistance à la compression du béton à haute performance. Ing. Appl. Artif. Renseignement. 26(7), 1689–1697. https://doi.org/10.1016/j.engappai.2013.03.014 (2013).

Article Google Scholar

EN 12350–2:2011, Essais du béton frais — Partie 2 : Essai d'affaissement

EN 12390–3:2019–07, Essais sur béton durci — Partie 3 : Résistance à la compression des éprouvettes

Kamiński, B., Jakubczyk, M. & Szufel, P. Un cadre pour l'analyse de sensibilité des arbres de décision. Cent. EUR. J. Oper. Rés. 26, 135–159. https://doi.org/10.1007/s10100-017-0479-6 (2018).

Article MathSciNet PubMed MATH Google Scholar

Sharafati, A., Haji Seyed Asadollah, SB et Al-Ansari, N. Application du modèle d'ensemble d'ensachage pour prédire la résistance à la compression du prisme de maçonnerie en béton creux. Ain Shams Ing. J. 12(4), 3521–3530. https://doi.org/10.1016/j.asej.2021.03.028 (2021).

Article Google Scholar

Han, Q., Changqing, G., Xu, J. & Lacidogna, G. Une méthode généralisée pour prédire la résistance à la compression du béton à haute performance par un algorithme de forêt aléatoire amélioré. Constr. Construire. Mater. 226, 734–742. https://doi.org/10.1016/j.conbuildmat.2019.07.315 (2019).

Article Google Scholar

Feng, DC et al. Prédiction de la résistance à la compression du béton basée sur l'apprentissage automatique : une approche de renforcement adaptatif. Constr. Construire. Mater. 230, 117000. https://doi.org/10.1016/j.conbuildmat.2019.117000 (2020).

Article Google Scholar

Asteris, PG, Skentou, AD, Bardhan, A., Samui, P. & Pilakoutas, K. Prédiction de la résistance à la compression du béton à l'aide d'un assemblage hybride de modèles d'apprentissage automatique de substitution. Cem. concr. Rés. 145, 106449 (2021).

Article CAS Google Scholar

Vakharia, V. & Gujar, R. Prédiction de la résistance à la compression et de la composition du ciment Portland à l'aide de techniques de validation croisée et de classement des caractéristiques. Constr. Construire. Mater. 225, 292-301 (2019).

Article Google Scholar

Télécharger les références

Les auteurs ont reçu un financement pour effectuer l'analyse numérique et une éventuelle mise en réseau d'un projet soutenu par l'association COST [Grant No. ECOST-STSM-CA18224-230821-130644 "Application of novel machine learning techniques for predicting the compressive resistance of cimentitious composite contenant des déchets poudre de granit."]

Les auteurs ont reçu un financement pour préparer les échantillons d'un projet soutenu par le Centre national de recherche et de développement, Pologne [Grant No. LIDER/35/0130/L-11/19/NCBR/2020 "The use of granite powder waste for the production de produits de construction sélectionnés."]

Département d'ingénierie des matériaux et des procédés de construction, Université des sciences et technologies de Wroclaw, Wybrzeze Wyspiańskiego 27, 50-370, Wrocław, Pologne

Slawomir Czarnecki, Adrian Chajec et Lukasz Sadowski

Faculté de génie civil et d'architecture d'Osijek, Université Josip Juraj Strossmayer d'Osijek, Vladimira Preloga 3, 31000, Osijek, Croatie

Marijana Hadzima-Nyarko

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

SC, LS et MH-N. conçu le plan de recherche et le concept de recherche ; AC a réalisé les tests de laboratoire et préparé les données, SC a réalisé les analyses numériques, SC et M. HN. a rédigé le brouillon du manuscrit, AC et LS ont révisé le manuscrit, LS a obtenu le financement de cette recherche.

La correspondance est Sławomir Czarnecki.

Les auteurs ne déclarent aucun intérêt concurrent.

Springer Nature reste neutre en ce qui concerne les revendications juridictionnelles dans les cartes publiées et les affiliations institutionnelles.

Libre accès Cet article est sous licence Creative Commons Attribution 4.0 International, qui permet l'utilisation, le partage, l'adaptation, la distribution et la reproduction sur n'importe quel support ou format, à condition que vous accordiez le crédit approprié à l'auteur ou aux auteurs originaux et à la source, fournir un lien vers la licence Creative Commons et indiquer si des modifications ont été apportées. Les images ou tout autre matériel de tiers dans cet article sont inclus dans la licence Creative Commons de l'article, sauf indication contraire dans une ligne de crédit au matériel. Si le matériel n'est pas inclus dans la licence Creative Commons de l'article et que votre utilisation prévue n'est pas autorisée par la réglementation légale ou dépasse l'utilisation autorisée, vous devrez obtenir l'autorisation directement du détenteur des droits d'auteur. Pour voir une copie de cette licence, visitez http://creativecommons.org/licenses/by/4.0/.

Réimpressions et autorisations

Czarnecki, S., Hadzima-Nyarko, M., Chajec, A. et al. Conception d'un modèle d'apprentissage automatique pour la fabrication précise de composites cimentaires verts modifiés avec des déchets de poudre de granit. Sci Rep 12, 13242 (2022). https://doi.org/10.1038/s41598-022-17670-6

Télécharger la citation

Reçu : 03 mars 2022

Accepté : 28 juillet 2022

Publié: 02 août 2022

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

Toute personne avec qui vous partagez le lien suivant pourra lire ce contenu :

Désolé, aucun lien partageable n'est actuellement disponible pour cet article.

Fourni par l'initiative de partage de contenu Springer Nature SharedIt

Rapports scientifiques (2023)

En soumettant un commentaire, vous acceptez de respecter nos conditions d'utilisation et nos directives communautaires. Si vous trouvez quelque chose d'abusif ou qui ne respecte pas nos conditions ou directives, veuillez le signaler comme inapproprié.