The
dynamic
modulus
of
asphalt
mixture
is
a
key
parameter
to
evaluate
its
viscoelastic
and
fatigue
performance.
This
can
be
determined
by
laboratory
measurements
or
model
forecasting.
utilization
prediction
models
offers
an
efficient
alternative
that
avoid
time-taking
experiments.
Therefore,
it
very
important
accurately
predict
the
modulus.
study
aims
propose
with
high
accuracy,
robustness
interpretability
considering
hyper-parameter
optimization.
A
new
hybrid
developed
combining
Sparrow
Search
Algorithm
(SSA)
Light
Gradient
Boosting
Machine
(LightGBM).
input
variables
are
evaluated
using
Pearson
Correlation
Coefficient
(PCC).
accuracy
accessed.
And
relative
significance
analysis
conducted
measure
effect
parameters
on
prediction.
research
findings
indicate
SSA-LightGBM
has
best
precision
in
compared
previous
regression
machine
learning
models.
binder
type
for
complex
shear
found
most
critical
feature
predicting
modulus,
followed
test
temperature,
viscosity,
performance
grade
(PG)
at
low
temperature.
Fırat Üniversitesi Mühendislik Bilimleri Dergisi,
Journal Year:
2023,
Volume and Issue:
35(1), P. 379 - 388
Published: March 11, 2023
İnşaat
Mühendisliği
alanında
yapı
malzemelerinin
özellikle
betonun
karışım
tasarımını
anlamak
ve
bazı
özelliklerini
tahmin
edebilmek
için
makine
öğrenmesi
metotları
sıkça
kullanılmaya
başlanmıştır.
Bu
bağlamda
oldukça
faydalı
olan
sayısız
denilebilecek
çeşitliliktedir.
çalışmada
metotlarından
Gauss
Süreç
Regresyonu
(GSR)
Destek
Vektör
Makineleri
(DVM),
Kendiliğinden
Yerleşen
Beton
(KYB)’nin
basınç
dayanımını
etmek
tercih
edilmiştir.
Çalışmanın
amacı,
farklı
metotlarının
beton
performansını
etmekteki
başarılarının
ispat
edilmesi
böylece
bu
metotların
tasarımı
kullanımının
arttırılmasıdır.
amaçla,
KYB
bileşimini
içeren
deneysel
veri
seti
ile
GSR
DVM
modelleri
geliştirilmiştir.
Geliştirilen
modellerin
performansları
hem
birbirleri
de
alanda
başarısını
literatürdeki
birçok
çalışma
etmiş
başka
bir
metodu,
Yapay
Sinir
Ağı
karşılaştırılmıştır.
Sonuçta,
eğitilen
doğrulanan
modellerinin
KYB’nin
dayanım
etmekte
başarılı
oldukları
ortaya
çıkmıştır.
Çalışma
sonuçlarına
göre
problemdeki
en
metot
olmuştur.
modelin
çıkışı
arasındaki
korelasyon
katsayıları
eğitim
aşamasında
0.9888
test
0.8648
olarak
hesaplanmıştır.
Materials,
Journal Year:
2024,
Volume and Issue:
17(19), P. 4710 - 4710
Published: Sept. 25, 2024
To
accurately
quantify
the
variation
in
concrete
carbonation
depth,
selecting
an
appropriate
mathematical
curve
model
is
crucial.
Currently
prevalent
models,
such
as
Fick
and
exponential
confront
limitations
prediction
accuracy
range
of
application.
Given
that
a
single
struggles
to
precisely
describe
pattern
carbonation,
this
work
introduces
mixed-curve-based
for
effectively
integrating
with
hyperbolic
model.
Compared
model,
additional
term
mixed-curve
can
be
viewed
reasonable
correction
better
adapt
complex
varied
conditions
carbonation.
This
hybrid
transcends
individual
enhancing
fitting
precision
broadening
scope
applicability.
The
new
boasts
concise
structure
only
two
parameters,
facilitating
ease
validate
its
superiority,
rigorous
comparisons
were
conducted
between
proposed
existing
ones,
leveraging
experimental
data
from
10
distinct
scenarios.
By
comparing
average
error,
standard
deviation,
coefficient
determination
across
these
cases,
demonstrates
clear
advantage
over
In
terms
errors,
error
deviation
are
notably
lower
than
those
other
models.
determination,
values
achieved
by
all
examples
closer
1
both
underscoring
model’s
superior
quality
remarkable
stability.
research
indicates
combined
presented
paper
holds
promising
prospects
widespread
application
predicting
depth.
