أحدث مجموعة بيانات لمواد الخرسانة ونموذج التنبؤ بالمجموعة لقوة ضغط الخرسانة التي تحتوي على مواد RCA وGGBFS

يُعدّ اختبار قوة ضغط الخرسانة باستخدام أساليب التعلم الآلي أمرًا بالغ الأهمية في مجال الهندسة المدنية. تُوفّر أساليب التعلم الآلي دقة عالية مع تقليل التكلفة والوقت. ومع ذلك، تتطلب هذه الأساليب بياناتٍ تفصيليةً حول تركيب الخرسانة، تُفصّل نوع ونسبة المواد المختلفة، مثل الماء والأسمنت والركام، وغيرها. تتضمن هذه الدراسة مجموعة بيانات سُجّلت فيها تركيبة 125 نوعًا مختلفًا من المواد. وقد أُجريت مراجعةٌ شاملةٌ للأدبيات لجمع البيانات وشرحها. تتضمن مجموعة البيانات موادًا تقليديةً ومتطورةً تحتوي على كلٍّ من ركام الخرسانة المُعاد تدويره (RCA) وخبث فرن الصهر المُحبب المطحون (GGBFS)، بالإضافة إلى مكوناتٍ رئيسيةٍ أخرى لمزيج الخرسانة. تُساعد إضافة ركام الخرسانة المُعاد تدويره (RCA) وخبث فرن الصهر المُحبب المطحون (GGBFS) إلى مزيج الخرسانة على إنتاج خرسانة صديقة للبيئة، نظرًا لأن هذه المواد تُعتبر نفاياتٍ ومنتجاتٍ ثانوية. ومع ذلك، فإن زيادة عدد المكونات في الخرسانة تُعقّد عملية التنبؤ بقوة ضغط الخرسانة. تؤدي زيادة نسبة RCA للخرسانة إلى تقليل قوتها الميكانيكية، والتي تتم إدارتها بإضافة GGBFS، إلا أن القوة تعتمد على نسب RCA وGGBFS. لذا، يُعد التنبؤ بقوة ضغط الخرسانة التي تحتوي على RCA وGGBFS مهمة بالغة الأهمية لضمان سلامة مشاريع البناء. تقدم هذه الدراسة نموذجين تجميعيين للتنبؤ الدقيق بقوة ضغط الخرسانة الجديدة التي تحتوي على RCA وGGBFS. يجمع النموذج الأول، LRF، بين LR (الانحدار الخطي) وRF (الغابة العشوائية) من خلال التصويت السلس. أما النموذج الثاني، فيعتمد على CNN (الشبكات العصبية التلافيفية) وLSTM (الذاكرة طويلة المدى). يُقيّم أداء النماذج من خلال العديد من المقاييس المعروفة، بما في ذلك ?2 (مربع R)، وجذر متوسط ??التربيع، ومتوسط ??الخطأ المطلق، ومتوسط ??مربع الخطأ. تشير النتائج إلى أن نموذجي LRF وCNN-LSTM يحققان أعلى درجات ?2، وهما 0.93 و0.96 على التوالي، مقارنةً بالنماذج الحديثة. يُعد نموذج LRF أكثر كفاءة مقارنةً بنموذج CNN-LSTM من حيث زمن الحساب. وبالمقارنة مع تقدير قوة الخرسانة التقليدي، فإن التنبؤ بقوة الضغط القائم على التعلم الآلي يتميز بالدقة والمتانة والفعالية.