ESTIMATING THE COMPRESSIVE STRENGTH OF FLY ASH ADDED CONCRETE USING ARTIFICIAL NEURAL NETWORKS

Year 2022, Volume: 18 Issue: 4, 365 - 369, 26.12.2022

Zafer Kurt , Talip Çakmak , Ali Gürbüz , İlker Ustabaş

https://doi.org/10.18466/cbayarfbe.1064779

Abstract

The aim of this study is to develop an artificial intelligence that predicts the compressive strength of fly ash substituted concretes using material mixing ratios. Within the scope of the study, 5 different fly ash mixed concrete samples were produced. The strength values were estimated using artificial neural networks before the produced samples were subjected to the pressure test. In order to develop the artificial neural network, it is introduced as a dataset of 3000 different mixing ratios consisting of experimental results in the existing literature. In order to estimate the compressive strength, varying ratios of 8 different materials such as water, cement, fly ash entering the mixture are analyzed. As a result of the study, it has been observed that the predictions made using artificial neural networks are very close to the strength values obtained from the experiments.I

Keywords

Artificial Intelligence, artificial neural networks, fly ash substituted concretes

Thanks

The authors thank the University of California for making the database used in this study available

References

• [1]. Dinçer, A. & Aydemir, T. (2021). Adsorptive Removal of Tartrazine Dye by Poly(N-vinylimidazole-ethylene glycol dimethacrylate) And Poly(2-hydroxyethyl methacrylate-ethylene glycol dimethacrylate) Polymers . Celal Bayar University Journal of Science , 17 (4) , 397-404 . Retrieved from https://dergipark.org.tr/tr/pub/cbayarfbe/issue/67269/869963
• [2] Canbolat, S. (2021). Assessment of Asphaltene Production on Fracture Aperture During Heavy Oil Recovery . Celal Bayar University Journal of Science , 17 (4) , 337-345 . Retrieved from https://dergipark.org.tr/tr/pub/cbayarfbe/issue/67269/857178
• [3] İ. B. Topçu, “Beton Teknolojisi”, Eskişehir, 570s, 2006.
• [4] Subaşı, S. , Beycioğlu, A. & Emiroğlu, M. (2009). Beton Mekanik Özelliklerinin Taze Beton Özelliklerinden Yararlanılarak Yapay Sinir Ağları İle Tahmini . Eskişehir Osmangazi Üniversitesi Mühendislik ve Mimarlık Fakültesi Dergisi , Cilt 22 Sayı 3 , 147-155 . Retrieved from https://dergipark.org.tr/tr/pub/ogummf/issue/30159/325481.
• [5] Erdal, H. (2015). Contribution of Machine Learning Methods to the Construction Industry: Prediction of Compressive Strength . Pamukkale Üniversitesi Mühendislik Bilimleri Dergisi , 21 (3) , 109-114 . Retrieved from https://dergipark.org.tr/tr/pub/pajes/issue/20558/219104.
• [6] Subası, S. & Beycıoglu, A. (2008). Farklı Tahmin Yöntemleri Kullanılarak Kırmataş Kalker Agregalı Betonların Basınç Dayanımının Belirlenmesi . Technological Applied Sciences , 3 (4) , 580-589 . Retrieved from https://dergipark.org.tr/tr/pub/nwsatecapsci/issue/20186/213983.
• [7] Demirel, B. (2008). Öğütülmüş Pomzanın Beton Basınç Dayanımına Etkisinin Yapay Sinir Ağı İle Belirlenmesi . Engineering Sciences, 3 (1) , 20-29. Retrieved from https://dergipark.org.tr/tr/pub/nwsaeng/issue/19871/212964.
• [8] Yaprak, H. & Karacı, A. (2009). Polipropilen Lifli Betonların Yüksek Sıcaklık Sonrası Basınç Dayanımlarının Yapay Sinir Ağları ile Tahmini . International Journal of Engineering Research and Development,1(2),23-28, Retrieved from https://dergipark.org.tr/tr/pub/umagd/issue/31543/345675.
• [9] Şahin, Y. , Gündüz, Y. & Taşkan, E. (2020). Çelik Tel Donatılı Betonların Kırılma Parametrelerinin Yapay Sinir Ağları ile Modellenmesi . International Journal of Engineering Research and Development , 12 (2) , 457-463 . DOI: 10.29137/umagd.605714.
• [10] Açıkgenç, M. , Alyamaç, K. E. & İnce, R. (2012). Mermer Tozu İle Üretilmiş Kendiliğinden Yerleşen Betonların Dayanım Özelliklerinin Yapay Sinir Ağları Kullanılarak Belirlenmesi . Uluslararası Teknolojik Bilimler Dergisi , 4 (3) , 72-79 . Retrieved from https://dergipark.org.tr/tr/pub/utbd/issue/25983/273700.
• [11] Topçu, İ. B. , Sarıdemir, M. & Nohutçu, H. (2007). Lastikli Beton Özeliklerinin Yapay Sinir Ağları Ve Bulanık Mantıkla Belirlenmesi . Eskişehir Osmangazi Üniversitesi Mühendislik ve Mimarlık Fakültesi Dergisi, 20 (1), 1-16. Retrieved from https://dergipark.org.tr/tr/pub/ogummf/issue/30173/325555.
• [12] Uysal, M. (2007). The Effect of Overdose used Water Reducer Plasticizers on Properties of Concrete . Electronic Letters on Science and Engineering , 3 (1) , 38-44 . Retrieved from https://dergipark.org.tr/tr/pub/else/issue/29323/313778.
• [13] Şamandar, A. (2015). Prediction Of Compressive Strength Of Normal Weight Concrete Including Fly Ash By Using Artificial Neural Network . Düzce Üniversitesi Bilim ve Teknoloji Dergisi , 3 (2) , 481-487 . Retrieved from https://dergipark.org.tr/tr/pub/dubited/issue/4810/66284.
• [14] Yeh IC. “UCI Machine Learning Repository: Concrete Compressive Strength Data Set” http://archive.ics.uci.edu/ml/datasets/Concrete+Compressive+Strength (07.01.2022).
• [15] Mazanoğlu, K. , Kandemir-mazanoğlu, E. Ç. & Kandemir-mazanoğlu, E. Ç. (2017). Çatlaklı Kirişlerin Yapay Sinir Ağları ile Modellenmesi . Afyon Kocatepe Üniversitesi Fen Ve Mühendislik Bilimleri Dergisi , 17 (3) , 1129-1135 . Retrieved from https://dergipark.org.tr/tr/pub/akufemubid/issue/43716/536317.
• [16] Liu, S., W., Huang, J., H., Sung, J., C., Lee, C., C. 2002. Detection of Cracks Using Neural Networks and Computational Mechanics. Computer Methods in Applied Mechanics Engineering, 191, 2831-2845.
• [17] Başyiğit, C. , Kaçar Akkaş, A. & Kurtarıcı, M. N. (2014). Betonların Radyasyon Zırh Kalınlıklarının Yapay Sinir Ağları ve Çoklu Regresyon Metotları ile Tahmini . Süleyman Demirel Üniversitesi Fen Bilimleri Enstitüsü Dergisi , 16 (1) , . Retrieved from https://dergipark.org.tr/tr/pub/sdufenbed/issue/20797/222109.
• [18] Civalek, Ö., 1998. Plak ve Kabukların Nöro-Fuzzy Tekniği ile Lineer ve Non-Lineer Statik-Dinamik Analizi, Yüksek Lisans Tezi, Fırat Üniversitesi, Elazığ.
• [19] Elmas, Ç., 2003. Yapay Sinir Ağları, Seçkin Yayınevi Ankara.
• [20] Yalçın, Ö. F. (2020). Basit Mesnetli Köprülerde Hareketli Yük Dağılım Faktörleri Denklemlerinin Yapay Sinir Ağları ile Elde Edilmesi . Çukurova Üniversitesi Mühendislik-Mimarlık Fakültesi Dergisi , 35 (3) , 609-622 . DOI: 10.21605/cukurovaummfd.846321.
• [21] Kıyıldı, R. K. (2021). Yapay sinir ağları ile Marshall stabilite değerinin tahmini . Niğde Ömer Halisdemir Üniversitesi Mühendislik Bilimleri Dergisi , 10 (2) , 627-633 . DOI: 10.28948/ngumuh.866566.
• [22] Kılıç, F. , Aka, H. & Aktuğ, Z. B. (2020). Futbolda Yapay Sinir Ağları Modeli İle Lig Sıralaması Tahmini . Uluslararası Güncel Eğitim Araştırmaları Dergisi , 6 (2) , 379-391 . Retrieved from https://dergipark.org.tr/tr/pub/intjces/issue/59193/788138.
• [23] Sözen, A., Arcaklioğlu, E., Özkaymak, M. (2005). Turkey’s net energy consumption. Applied Energy, 81(2): 209-221.
• [24] Chou JS, Chiu CK, Farfoura M, Al-Taharwa I. “Optimizingthe Prediction Accuracy of Concrete Compressive Strength Based on A Comparison of Data-mining Techniques”. Journal of Computing in Civil Engineering, 25(3), 242-253, 2011.