داده‌کاوی خصوصیات مکانیکی‌ بتن‌‌های حاوی رس‌های کلسینه شده به عنوان مواد جایگزین در بتن

بتن به دلیل خواص عالی، هزینه کم و در دسترس بودن گسترده، پرمصرف‌ترین محصول ساختمانی در جهان است. با توجه به افزایش جمعیت جهان، میزان تولید سیمان به عنوان یکی از مواد اصلی مورد استفاده در بتن افزایش یافته است. تولید سیمان باعث انتشار گاز دی اکسید کربن شده که باعث افزایش آلودگی محیط زیست می‌شود. یکی از روش‌ها موجود برای جلوگیری از افزایش آلودگی، استفاده از مواد جایگزین به جای سیمان است. از مهمترین مواد جایگزین که در سالیان اخیر مورد استفاه قرار گرفته، می‌توان به سیمان lc3 اشاره کرد. این نوع سیمان با کاهش مقدار کلینکر سیمان، نیاز به سوخت‌های فسیلی را کاهش داده که در نتیجه انتشار دی اکسید کربن کاهش می‌یابد. علاوه بر آن، یکی از خواص مکانیکی مهم بتن، مقاومت فشاری آن بوده که تخمین مقدار آن با توجه به زیاد بودن پارامترهای موجود پیچیده است. در نتیجه از روش‌های آزمایشگاه که پرهزینه است، استفاده می‌شود که دارای خطا می باشد. در این مقاله از روش‌های که برمبنای درخت تصمیم توسعه می‌یابند استفاده شده است و عملکرد آن‌ها با استفاده از الگوریتم ژنتیک بهبود یافته است. دو روش lightgbm و xgboost با دقت‌های برابر 0/958 در پیش‌بینی مقاومت فشاری بتن، عملکرد بهتری نسبت به روش‌های درخت تصمیم و جنگل تصادفی با دقت‌های 0/91 و 0/932 نشان داده‌اند. همچنین میزان عملکرد پارامترهای ورودی در پیش‌بینی مقاومت فشاری ارائه شده و یک مجموعه داده جدید مورد تست قرار می‌گیرد که صحت سنجی روش‌های ارائه شده بررسی شود.

data mining mechanical properties of concretes containing calcined clays as supplementary cementitious materials in concrete

concrete due to its excellent properties, low cost, and wide availability is the most used construction product in the world. as the world population grows, cement production has increased as one of the main materials used in concrete. cement production emits carbon dioxide which increases environmental pollution. one of the ways to prevent pollution is to use supplementary cementing materials instead of cement. one of the most important alternative materials used in recent years is lc3 cement. this type of cement reduces the amount of clinker in cement, decreases our need for fossil fuels, and therefore reduces the emission of carbon dioxide. moreover, one of the most important mechanical properties of concrete is its compressive strength, which its estimation is complex since the number of existing parameters is high. hence, costly laboratory methods are used which consist of high error. in this paper, machine learning models that work based on decision tree model are used which their performance have been improved by genetic algorithm. lightgbm and xgboost models got a prediction score of 0.958 in the prediction of the compressive strength of concrete and perform better than decision tree and random forest models with 0.91 and 0.932 prediction scores. also, the feature importance of each model has been presented and a new data set has been used to evaluate the validation of models.