پيش‌بيني مقاومت فشاري بتن‌هاي معمولي، حاوي خاكستر بادي و سرباره بر اساس روش‌‌هاي نوين و ارائه طرح مخلوط‌ هاي بهينه آن‌ها

Compressive strength prediction of ordinary concrete, fly ash concrete, and slag concrete by novel techniques and presenting their optimal mixtures

در اين مطالعه، چهار دسته بتن شامل خاكستر بادي، خاكستر بادي و سرباره، بتن معمولي و بتن حاوي سرباره مورد بررسي قرار گرفته ‌است و با استفاده از دو روش يادگيري ماشين معرفي شده (الگوريتم ژنتيك و رقابت ليگ فوتبال) و چهار روش رگرسيوني، مقاومت فشاري بتن‌هاي مذكور پيش‌بيني شده ‌است. با استفاده از شاخص‌هاي آماري دقت هر مدل برآورد شده و با دقت‌ترين مدل براي هر دسته بتن معرفي شده است و از آن براي حل مسئله بهينه‌سازي استفاده شد. روش يادگيري ماشين مبتني بر رقابت ليگ فوتبال براي هر چهار دسته بتن به جز بتن معمولي از دقت بالاتري برخوردار بود و براي بتن معمولي روش يادگيري ماشين مبتني بر الگوريتم ژنتيك به عنوان بهترين مدل معرفي گرديد. هدف از مسئله ‌بهينه‌سازي كمينه كردن هزينه هر دسته بتن با در نظر گرفتن مقاومت بتن 40 مگاپاسكالي بوده است. بتن حاوي خاكستر ‌بادي، خاكستر بادي و سرباره و همچنين بتن حاوي سرباره نسبت به بتن معمولي به ترتيب 35/2، 29/9 و 23/1 درصد نسبت به بتن معمولي هزينه ساخت را كاهش مي‌دهند. توليد سيمان يكي از عوامل آلودگي محيط ‌زيست مي‌باشد. بتن حاوي خاكستر ‌بادي، خاكستر بادي و سرباره، بتن حاوي سرباره و بتن معمولي به ترتيب 217/25، 150/47، 102 و 414/64 كيلوگرم بر مترمكعب سيمان در طرح مخلوط بهينه مورد استفاده قرار گرفتند. كه بتن شامل سرباره، كمترين مقدار مصرف سيمان براي بتني با مقاومت 40 مگاپاسكال را در بين 4 دسته بتن دارد و حدود 75/4 درصد نسبت به بتن معمولي مصرف سيمان را كاهش داده ‌است.

In this study, four concrete types, including ordinary Portland cement concrete, fly ash concrete, slag concrete, and slag-fly ash concrete, are taken into account in order to estimate their compressive strength by two novel machine learning methods (genetic algorithm and soccer league competition algorithm), and four types of regressions (linear, 2nd order polynomial, exponential, and logarithmic). Subsequently, the precision of prediction models is compared based on performance indicators, and the most accurate models are applied in the optimization problem modeling. Drawing on results, the most precise model to estimate the compressive strength of ordinary Portland cement concrete is the genetic algorithm, and the soccer league competition is the most accurate model to estimate the strength of other concrete types. Afterward, a model is developed so as to design mixture proportions of 40MPa concretes. Fly ash concrete, slag-fly ash concrete, and slag concrete reduce the unit cost by 35.2%, 29.9%, and 23.1%, respectively, compared with ordinary Portland cement concrete. Fly ash concrete, slag-fly ash concrete, slag concrete, and ordinary Portland cement concrete require 217.25 kg, 150.47 kg, 102 kg, and 414.64 kg cement to be manufactured. Furthermore, slag concrete can reduce the amount of cement in the mixture proportion by 75.4%, and it is the most eco-friendly concrete.