Prediction of Compressive Strength of Fly Ash-Recycled Mortar Based on Grey Wolf Optimizer–Backpropagation Neural Network

Materials, Год журнала: 2025, Номер 18(1), С. 139 - 139

Опубликована: Янв. 1, 2025

The evaluation of the mechanical performance fly ash-recycled mortar (FARM) is a necessary condition to ensure efficient utilization recycled fine aggregates. This article describes design nine mix proportions FARMs with low water/cement ratio and screens six reasonable flowability. compressive strengths were tested, influence (w/c) age on strength was analyzed. Meanwhile, backpropagation neural network (BPNN) model optimized by grey wolf optimizer (GWO), namely GWO-BPNN model, established predict FARM. input layer consisted w/c, cement/sand ratio, water reducer, age, ash content, while output strength. data set 150 sets from this existing research in literature, which 70% used for training 30% validation. results show that compared traditional BPNN, coefficient determination (R2) increases 0.85 0.93, mean squared error (MSE) decreases 0.018 0.015. convergence iterations validation decrease 108 65. indicates GWO improved prediction accuracy computational efficiency BPNN. characteristic heat, kernel density estimation, scatter matrix, SHAP value all indicated w/c strongly negatively correlated strength, sand/cement positively However, relationship between contents ash, not obvious.

Язык: Английский

C16/20, C20/25 ve C25/30 Beton Sınıflarının Basınç Dayanımlarının ANFIS ve YSA ile Tahmini

Eskişehir Türk Dünyası Uygulama ve Araştırma Merkezi Bilişim Dergisi, Год журнала: 2024, Номер unknown, С. 37 - 43

Опубликована: Дек. 12, 2024

Betonun basınç dayanımını tahmin etmek için farklı regresyon yöntemleri, sayısal simülasyon ve yapay zeka tabanlı teknikler gibi yöntemler kullanılmaktadır. Ancak, değişkenler arasındaki karmaşık doğrusal olmayan korelasyon, dayanımının doğru olarak edilmesini oldukça zorlaştırmaktadır. Bu nedenle yapılan her çalışmanın literatüre katkı sağladığı beton dayanımlarının tahmininde önemli rol oynadığı düşünülmektedir. amaçla çalışmada, C16/20, C20/25 C25/30 sınıflarına ait tasarım parametreleri giriş kullanılarak bir ANFIS YSA modeliyle bu betonların dayanımları edilmeye çalışılmıştır. Modeller oluşturulurken Gauss, ileri beslemeli geri yayılımlı sinir ağı modeli tercih edilmiştir. Çalışmada sınıfı 20 ayrı dökümünden elde edilen 80 dayanımı sonucu olmak üzere toplam 240 veri kullanılmıştır. verilerin %70’i eğitim kullanılırken, %30’u test ayrılmıştır. Modelden sonuçların güvenilirliği gösterebilmek R2, MAPE RMSE istatiksel yöntemlerinden yararlanılmıştır. Elde sonuçlara göre, ile sınıflarının 7 gün sırasıyla -%0.70, %1.25 %0.17 oranında hatayla; 28 %0.99, %0.03 -%0.69 hatayla edilebildiği belirlenmiştir. %0.11, %0.56 %0.58 %0.80, %0.36 %0.70 Sonuç deneylerden sonuçlar sonuçları arasında iyi uyum olduğu oluşturulan modellerle “çok iyi” veya “yüksek doğruluk derecesinde” yapılabileceği kanaatine varılmıştır.

Prediction of Compressive Strength and Design Parameters of C30/37, C35/45 and C40/50 Concrete Classes by ANN

Journal of Civil Engineering and Urbanism, Год журнала: 2024, Номер 14(4), С. 356 - 367

Опубликована: Дек. 25, 2024

The quality of concrete used in the construction sector is increasing day by with ready-mixed production. directly related to its compressive strength and tests are labor-intensive time-consuming. Therefore, different artificial intelligence-based models predict concrete. In this study, design parameters classes C30/37, C35/45 C40/50 were predicted ANN model. A total 240 results obtained from concretes produced a plant for columns, beams, decks stairs. 70% these data training remaining 30% reserved testing. prediction accuracy model was evaluated R2, MAPE RMSE statistical methods. According results, strengths could be errors -0.70%, 1.25% 0.17% 7 days 0.99%, 0.03% -0.69% 28 days, respectively. Depending on parameters, it found that performance made almost 100% all except high-performance superplasticizer admixture. As result, concluded ‘very good’ or ‘high accuracy’ predictions can models.

Язык: Английский