Yapay Zeka Algoritmalarında Kullanılan Tahmin Metotları ile Çimento ve Betonunun Basınç Dayanımına Etki Eden Faktörlerin İncelenmesi

Year 2022, Volume: 34 Issue: 2, 242 - 261, 30.06.2022

Kübra Tümay Ateş

https://doi.org/10.7240/jeps.1013130

Abstract

Artan nüfusla birlikte konut veya yapılara duyulan ihtiyaç artmıştır. Bu da bu sektörün çekirdeği olan çimento ve beton ihtiyaçlarının artmasına sebep olmuştur. Ancak çimento veya betonu oluşturan bileşenlerin içeriğinin değişmesi ya da üretimde oluşabilecek herhangi bir aksaklık durumunda nihai ürünlerin de eksik veya hatalı üretilmesine sebebiyet verebilmektedir. Aynı zamanda çimento veya beton üretiminde, bileşenlerin karışım oranlarının belirlenmesi betonun basınç dayanımını ölçebilmeyi zorunlu kılmaktadır. Bu kapsamda, nihai ürün olan beton veya çimentonun basınç dayanımının ölçülmesi sektörel olarak kaçınılmaz bir durum haline gelmiştir. Bu durum da fabrikalardaki dayanım testlerinin belirli zaman aralıkları ile ölçülmesi ile mümkündür. Nihai ürünlerin üretilmesi aşamasında zamanı verimli kullanabilmek adına yapılmış olan bu çalışmada; çimento veya betonun basınç dayanımının tahminlemesi ve bunları oluşturan bileşen miktarlarının da basınç dayanımına olan etkisi uzun yıllardır incelenen ve çalışılan konular arasında yer almaktadır. Buradan yola çıkılarak yapay zeka ile yapılmış geniş bir literatür taraması neticesinde elde edilen bulgular iki farklı başlık altında incelenmiş ve sonuçlar yorumlanmıştır.

Keywords

Dayanım, Basınç Dayanımını Etkileyen Faktörler, Beton, Çimento Bileşenleri

References

• [1] TS EN 197-1 (2002). Genel Çimentolar- Bölüm 1: Genel Çimentolar- Bileşim, Özellikler ve Uygunluk Kriterleri, Türk Standardları Enstitüsü.
• [2] TS EN 197-2 (2002). Çimento- Bölüm 2: Uygunluk Değerlendirmesi, Türk Standardları Enstitüsü.
• [3] TS EN 196-2 (2002). Çimento Deney Metodları- Bölüm 2: Çimentonun Kimyasal Analizi, Türk Standardları Enstitüsü.
• [4] TS EN 196-21,(2002). Çimento Deney Metodları- Bölüm 21: Klörür, Karbon Dioksit ve Alkali Muhtevası Tayini, Türk Standardları Enstitüsü.
• [5] Dantas A.T.A., Leite M.B., ve Jesus Nagahama de K. (2013). Prediction of compressive strength of concrete containing construction and demolition waste using artificial neural networks, Construction and Building Materials, 38, 717-722
• [6] Nasuf S.E., ve Özbakır O., (2016). Agregaların Fiziksel Özelliklerinden Yola Çıkılarak Beton Dayanımlarının Yapay Sinir Ağları İle Kestirilmesi”, Selçuk Üniversitesi Mühendislik, Bilim ve Teknoloji Dergisi, 4 s.3 ,165-172.
• [7] Çağlar N., Küyük H.S., ve Köksal H.O. (2007).Yapay Sinir Ağları İle Betonare Kirişlerin Hasar Analizi. 2005. [8] Yüzer, N., B. Akbaş, ve Kızılkanat A.B. Predicting the compressive strength of concrete exposed to high temperatures with a neural network model, in TÇMB, 3rd International Symposium Sustainability in Cement and Concrete, İstanbul.
• [9] Wang, Q., Yan P., ve Feng,J. (2011). A discussion on improving hydration activity of steel slag by altering its mineral compositions, Journal of hazardous materials, 186( 23), 1070-1075
• [10] Słoński, M., 2010. A comparison of model selection methods for compressive strength prediction of high-performance concrete using neural networks, Computers & structures, 88(21-22) 1248-1253.
• [11] Özcan, F., et al. (2009) Comparison of artificial neural network and fuzzy logic models for prediction of long-term compressive strength of silica fume concrete”, Advances in Engineering Software,c. 40 s.9, ss. 856-863,
• [12] Babu, K.G ve Kumar V.S.R. (2000) Efficiency of GGBS in concrete. Cement and Concrete Research,. 30(7) 1031-1036.
• [13] Kumar, S., Kumar, R., Bandopadhyay, A., Alex, T. C., Kumar, B. R., Das, S. K., ve Mehrotra, S. P. (2008). Mechanical activation of granulated blast furnace slag and its effect on the properties and structure of portland slag cement. Cement and Concrete Composites, 30(8), 679-685.
• [14] Ni, H.-G. ve. Wang J.-Z,(2000). Prediction of compressive strength of concrete by neural networks”,Cement and Concrete Research, c.30 s.8 ss. 1245-1250.
• [15] Topçu, İ.B., Uygunoğlu,T. ve İnce H.H. (2010). Hafif Beton Basınç Dayanımının Yapay Sinir Ağlarıyla Tahmini” , Yapı Teknolojileri Elektronik Dergisi, 6(1), 19-29.
• [16] Bagel, L., (1998).Strength and pore structure of ternary blended cement mortars containing blast furnace slag and silica fume.” Cement and Concrete Research,28( 7), 1011-1022,
• [17 ] Prasad, B.R., Eskandari H., and Reddy B.V. (2009). Prediction of compressive strength of SCC and HPC with high volume fly ash using ANN, Construction and Building Materials, 23(1), 117-128.
• [18] Siddique, R., Aggarwal,P. ve Aggarwal, Y. (2011).Prediction of compressive strength of self-compacting concrete containing bottom ash using artificial neural networks” Advances in engineering software, c.42 s. 10 ss. 780-786.
• [19] Pal, S., Mukherjee A., ve Pathak S., (2003) .Investigation of hydraulic activity of ground granulated blast furnace slag in concrete”. Cement and Concrete Research, 33(9),1481-1486.
• [20] Bilim, C., Atiş, C. D., Tanyildizi, H., ve Karahan, O. (2009). Predicting the compressive strength of ground granulated blast furnace slag concrete using artificial neural network. Advances in Engineering Software, 40(5), 334-340. [21] Alshihri, M.M., Azmy,A.M. ve El-Bisy M.S.,(2006). Neural networks for predicting compressive strength of structural light weight concrete, Construction and Building Materials, c.23 s.6, ss. 2214-2219, 2009.
• [22] Ji, T., T. Lin, ve X. Lin, “A concrete mix proportion design algorithm based on artificial neural networks” ,Cement and Concrete Research, 36(7),1399-1408.
• [23] Parichatprecha, R. ve Nimityongskul P. (2009).Analysis of durability of high performance concrete using artificial neural networks, Construction and Building Materials, 23(2), 910-917.
• [24] Tayfur, G., Erdem T.K., ve Kırca Ö., (2013). Strength prediction of high-strength concrete by fuzzy logic and artificial neural networks”, Journal of Materials in Civil Engineering, 26(11), 04014079.
• [25] Atici, U. (2011).Prediction of the strength of mineral admixture concrete using multivariable regression analysis and an artificial neural network”. Expert Systems with applications. 38 (8), 9609-9618.
• [26] Sarıdemir, M., Topçu, İ. B., Özcan, F., ve Severcan, M. H. (2009). Prediction of long-term effects of GGBFS on compressive strength of concrete by artificial neural networks and fuzzy logic. Construction and Building Materials, 23(3), 1279-1286.
• [27] Kewalramani, M.A. and Gupta,R. (2006). Concrete compressive strength prediction using ultrasonic pulse velocity through artificial neural networks, Automation in Construction,15 (3),374-379.
• [28] Naderpour, H., Kheyroddin A, ve Amiri, G.G. (2010). Prediction of FRP-confined compressive strength of concrete using artificial neural networks. Composite Structures, 92 (12) , 2817-2829.
• [29] Trtnik, G., Kavčič F. ve G. (2009). Turk, Prediction of concrete strength using ultrasonic pulse velocity and artificial neural networks”, Ultrasonics,c. 49(1), 53-60.
• [30] Sobhani, J., Najimi, M., Pourkhorshidi, A. R., ve Parhizkar, T. (2010). Prediction of the compressive strength of no-slump concrete: A comparative study of regression, neural network and ANFIS models. Construction and Building Materials, 24(5), 709-718.
• [31] Chandwani, V., Agrawal, V., ve Nagar, R. (2015). Modeling slump of ready mix concrete using genetic algorithms assisted training of Artificial Neural Networks, Expert Systems with Applications, 42 (2), 885-893.
• [32] Yaprak, H. ve Karacı, A. (2009). Polipropilen lifli betonların yüksek sıcaklık sonrası basınç dayanımlarının yapay sinir ağları ile tahmini. International Journal of Engineering Research and Development, 2, 23-28,
• [33] Hasgül, Ö., ve Anagün A.S. (2005). Deneysel Sonuçların Analizinde Yapay Sinir Ağları Kullanımı ve Beton Dayanım Testi İçin Bir Uygulama, V. Ulusal Üretim Araştırmaları Sempozyumu, İstanbul Ticaret Üniversitesi133-139.
• [34] Lai, S. Ve Serra M. (1997). Concrete strength prediction by means of neural network, Construction and Building Materials ,11( 2), 93-98.
• [35] Özel, C. ve Topsakal A. (2014). Veri Madenciliği Kullanarak Beton Basınç Dayanımının Belirlenmesi. Cumhuriyet Üniversitesi Fen-Edebiyat Fakültesi Fen Bilimleri Dergisi, 35(1), 1-11.
• [36] Prošek, Z., Trejbal, Nežerka J., Goliáš, V., Faltus, V.M. ve Tesárek, P. (2020). Recovery of residual anhydrous clinker in finely ground recycled concrete, Resources, Conservation and Recycling, 155, 104640.
• [37] Ying, M.A., Jueshi, QIAN. (2016). Effect of Alkali Sulfate on Workability, Strength and Volume Stability Related to SCC” ,Washington DC, USA 15-18 May 2016 Edited by Kamal H. Khayat 841.
• [38] Gholampour, A., Zheng, J., ve T. Ozbakkaloglu, (2020). Development of waste-based concretes containing foundry sand, recycled fine aggregate, ground granulated blast furnace slag and fly ash” Construction and Building Materials, 121004.
• [39] Vakhshouri, B. ve Nejadi, S. (2018). Prediction of compressive strength of self-compacting concrete by ANFIS models, Neurocomputing, 280, 13-22.
• [40] Yuan, Z., L.-N. Wang, ve Ji, X. (2014). Prediction of concrete compressive strength: Research on hybrid models genetic based algorithms and ANFIS, Advances in Engineering Software, 67,156-163.
• [41] Tesfamariam, S. ve Najjaran ,H. (2007).Adaptive network–fuzzy inferencing to estimate concrete strength using mix design, Journal of Materials in Civil Engineering. 19(7), 550-560.
• [42] Mirrashid, M., Jafari, M., Akhlaghi, A., ve Vahidnia, A. (2013). Prediction of compressive strength of concrete containing magnetite aggregates using Adaptive Neural Fuzzy Inference System (ANFIS). 4th Internatinal Conf. Concr. Dev., Tehran, Iran.
• [43] Khademi, F., Jamal, S. M., Deshpande, N., ve Londhe, S. (2016). Predicting strength of recycled aggregate concrete using artificial neural network, adaptive neuro-fuzzy inference system and multiple linear regression. International Journal of Sustainable Built Environment, 5(2), 355-369.
• [44] Gorninski, J.P., Dal Molin D.C., ve C.S. (2004). Kazmierczak, Study of the modulus of elasticity of polymer concrete compounds and comparative assessment of polymer concrete and portland cement concrete, Cement and concrete research. 34(11),2091-2095.
• [45] Kockal, N.U. ve Ozturan T. (2011). Optimization of properties of fly ash aggregates for high-strength lightweight concrete production, Materials & Design, 32(6), 3586-3593.
• [46] Chen, Z., Zhang, Y., Chen, J., ve Fan, J. (2018). Sensitivity factors analysis on the compressive strength and flexural strength of recycled aggregate infill wall materials. Applied Sciences, 8(7), 1090.
• [47] Aldahdooh, M., Bunnori, N.M. ve Johari, M.M. (2013). Development of green ultra-high performance fiber reinforced concrete containing ultrafine palm oil fuel ash, Construction and Building Materials, 48,379-389.
• [48] Phan, L.T. ve Carino N.J., (2008). Effects of test conditions and mixture proportions on behavior of high-strength concrete exposed to high temperatures, ACI Materials Journal, 99 (1,) 54-66.
• [49] Tanyildizi, H. ve Coşkun, A. (2013). Varyans analizi (ANOVA) yöntemi ile silis dumanı katkılı hafif betonun mekanik özelliklerine deney parametrelerinin etkilerinin belirlenmesi” Erciyes Üniversitesi Fen Bilimleri Enstitüsü Fen Bilimleri Dergisi, 29(3), 227-233.
• [50] Lim, C.-H., Yoon, Y.-S. ve Kim, J.-H. (2004). Genetic algorithm in mix proportioning of high-performance concrete. Cement and Concrete Research, 34(3), 409-420.
• [51] P. Livesey, (1991). Performance of limestone-filled cements, in: R.N. Swamy(Ed.), Blended Cements in Construction, Elsevier, London,1 -15.
• [52] Cochet G. ve Sorrentino, F. (1993). Limestone filled cements: Properties anduses, in: S.L. Sarkar, S.N. Ghosh (Eds.), Mineral Admixtures in Ce-ment and Concrete, vol. 4, ABI Books, New Delhi, 266 -295.
• [53] W.A. Klemm, ve L.D. Adams, (1990). An investigation of the formation ofcarboaluminates, in: P. Klieger, R.D. Hooton (Eds.), CarbonateAdditions to Cement, STP 1064, ASTM, Philadelphia, 60 -72.
• [54] Sawicz, S.S. Heng. (1996). Durability of concrete with addition of lime-stone powder, Mag. Concr. Res. 48, 131 – 137.