Concrete Compressive Strength Prediction by Combining Feature Engineering and Machine Learning

Yıl 2024, Cilt: 40 Sayı: 1, 10 - 19, 30.04.2024

Mehmet Akif Bülbül

Öz

Concrete compressive strength prediction is vital to the durability and safety of structures in the construction industry. An accurate prediction ensures reliability in the design of structures and contributes to the successful completion of structural engineering projects. Furthermore, predictions play an important role in making critical decisions such as material selection and structural safety calculations. Therefore, concrete compressive strength prediction is a fundamental step to ensure quality control and safety in the construction industry. Therefore, this study aims to predict concrete compressive strength with high accuracy. For this purpose, prediction processes were performed with Decision Tree Regression, Support Vector Regression, Linear Regression and Neural Networks on the Concrete Compressive Strength data set obtained from UCI. In the study, a new dataset with 50 features was created by using feature engineering technique on the dataset. Concrete compressive strength predictions were made by reapplying the same methods on the new data set. The predictions made without applying feature engineering and the predictions made on the new data set obtained by applying feature engineering are presented in a controversial and comparative manner. The findings show that feature engineering improves the performance of the machine learning methods used in the study, while the most successful method is obtained from the structure established with machine engineering and neural networks.

Anahtar Kelimeler

Feature Engineering, Machine Learning, Concrete Compressive Strength

Beton Basınç Dayanımı Tahmini için Özellik Mühendisliği ve Makine Öğrenimi Tabanlı Hibrit Bir Yaklaşım

Öz

Beton basınç dayanımı tahmini, inşaat sektöründe yapıların dayanıklılığı ve güvenliği açısından hayati önem taşır. Doğru bir tahmin, yapıların tasarımında güvenilirlik sağlar ve yapısal mühendislik projelerinin başarılı bir şekilde tamamlanmasına katkıda bulunur. Ayrıca, tahminler, malzeme seçimi ve yapısal güvenlik hesaplamaları gibi kritik kararların alınmasında da önemli bir rol oynar. Bu nedenle, beton basınç dayanımı tahmini, inşaat endüstrisinde kalite kontrolünün ve güvenliğin sağlanması için temel bir adımdır. Bu sebeple bu çalışmada beton basınç dayanımlarının yüksek doğrulukta tahmin edilmesi amaçlanmıştır. Bu amaç doğrultusunda UCI’ den alınan Beton Basınç Dayanımı veri seti üzerinde Karar Ağaçları Regresyonu, Destek Vektör Regresyonu, Lineer Regresyon ve Sinir Ağları ile tahmin işlemleri gerçekleştirilmiştir. Çalışmada veri seti üzerinde özellik mühendisliği tekniği kullanılarak 50 özelliğe sahip yeni bir veri seti daha oluşturulmuştur. Oluşturulan yeni veri seti üzerinde aynı yöntemler yeniden uygulanarak beton basınç dayanım tahminleri yapılmıştır. Özellik mühendisliği uygulanmadan yapılan tahminler ile özellik mühendisliği uygulanarak elde edilen yeni veri seti üzerinde yapılan tahminler tartışmalı ve karşılaştırılmalı bir şekilde sunulmuştur. Elde edilen bulgular Özellik mühendisliğinin çalışmada kullanılan makine öğrenimi yöntemlerinin performanslarını artırdığını gösterirken en başarılı yöntemin makine mühendisliği ve sinir ağları ile kurulan yapıdan elde edildiğini göstermektedir.

Anahtar Kelimeler

Özellik Mühendisliği, Makine Öğrenimi, Beton Basınç Dayanımı

Kaynakça

• Vu, C. C., Tran, H. H. 2023. Performance analysis of methods to estimate Weibull parameters for the compressive strength of concrete. Case Studies in Construction Materials, 19, e02330. doi:10.1016/j.cscm.2023.e02330.
• Li, W., Wang, R., Ai, Q., Liu, Q., Lu, S. X. 2023. Estimation of compressive strength and slump of HPC concrete using neural network coupling with metaheuristic algorithms. Journal of Intelligent & Fuzzy Systems, 1-15. doi:10.3233/JIFS-230005.
• Weng, P., Xie, J., Zou, Y. 2023. Compressive strength prediction of admixed HPC concrete by hybrid deep learning approaches. Journal of Intelligent & Fuzzy Systems, 44(5), 8711-8724. doi:10.3233/JIFS-221714
• Chengquan, Z., Aghajanirefah, H., Zykova, K. I., Moayedi, H., Le, B. N. 2023. Predicting concrete's compressive strength through three hybrid swarm intelligent methods. Computers and Concrete, 32(2), 149-163. doi:10.12989/cac.2023.32.2.149.
• Singh, M., Choudhary, P., Bedi, A. K., Yadav, S., Chhabra, R. S. 2022. Compressive Strength Estimation of Waste Marble Powder Incorporated Concrete Using Regression Modelling. Coatings, 13(1), 66. doi:10.3390/coatings13010066.
• Zhang, Y., Bai, Z., Zhang, H. 2023. Compressive strength estimation of ultra-great workability concrete using hybrid algorithms. Multiscale and Multidisciplinary Modeling, Experiments and Design, 6(3), 389-400. doi:10.1007/s41939-023-00145-0.
• Maherian, M. F., Baran, S., Bicakci, S. N., Toreyin, B. U., Atahan, H. N. 2023. Machine learning-based compressive strength estimation in nano silica-modified concrete. Construction and Building Materials, 408, 133684. doi:10.1016/j.conbuildmat.2023.133684.
• Mustapha, I. B., Abdulkareem, M., Jassam, T. M., AlAteah, A. H., Al-Sodani, K. A. A., Al-Tholaia, M. M., Nabus, H., Alih, S. C., Abdulkareem, Z., Ganiyu, A. 2024. Comparative Analysis of Gradient-Boosting Ensembles for Estimation of Compressive Strength of Quaternary Blend Concrete. International Journal of Concrete Structures and Materials, 18(1), 1-24. doi: 10.1186/s40069-023-00653-w.
• Zhou, J., Su, Z., Hosseini, S., Tian, Q., Lu, Y., Luo, H., Xu, X., Huang, J. 2024. Decision tree models for the estimation of geo-polymer concrete compressive strength. Mathematical Biosciences and Engineering, 21(1), 1413-1444. doi: 10.3934/mbe.2024061.
• Joshi, D. A., Menon, R., Jain, R. K., Kulkarni, A. V. 2023. Deep learning based concrete compressive strength prediction model with hybrid meta-heuristic approach. Expert Systems with Applications, 233, 120925. doi:10.1016/j.eswa.2023.120925.
• Yeh, I. C. 1998. Modeling of strength of high-performance concrete using artificial neural networks. Cement and Concrete research, 28(12), 1797-1808. doi:10.1016/S0008-8846(98)00165-3.
• Konak, F., Bülbül, M. A., Türkoǧlu, D. 2024. Feature Selection and Hyperparameters Optimization Employing a Hybrid Model Based on Genetic Algorithm and Artificial Neural Network: Forecasting Dividend Payout Ratio. Computational Economics, 63, 1673-1693. doi:10.1007/s10614-023-10530-z.
• Liu, M., Guo, C., Xu, L. 2024. An interpretable automated feature engineering framework for improving logistic regression. Applied Soft Computing, 153, 111269. doi:10.1016/j.asoc.2024.111269.
• Xiang, Y., Pei, X., Zhang, Y., Jiang, D. 2023. Feature-Engineering Enabled Multi-Objective Evolutionary Impedance Fitting Technique. IEEE Transactions on Industrial Electronics. doi:10.1109/TIE.2023.3288191.
• Pekel, E. 2020. Estimation of soil moisture using decision tree regression. Theoretical and Applied Climatology, 139(3), 1111-1119. doi:10.1007/s00704-019-03048-8.
• Chowdhury, M. S., Rahaman, M. N., Sheikh, M. S., Sayeid, M. A., Mahmud, K. H., Hafsa, B. 2024. GIS-based landslide susceptibility mapping using logistic regression, random forest and decision and regression tree models in Chattogram District, Bangladesh. Heliyon, 10(1). doi:10.1016/j.heliyon.2023.e23424.
• Huo, D., Chen, J., Wang, T. 2024. Chaos-based support vector regression for load power forecasting of excavators. Expert Systems with Applications, 246, 123169. doi:10.1016/j.eswa.2024.123169.
• Yaswanth, K. K., Sathish Kumar, V., Revathy, J., Murali, G., Pavithra, C. 2024. Compressive strength prediction of ternary blended geopolymer concrete using artificial neural networks and support vector regression. Innovative Infrastructure Solutions, 9(2), 32. doi:10.1007/s41062-023-01343-y.
• Eskandari, M., Zeinadini, A., Seyedmohammadi, J., Navidi, M. 2023. Estimating quantity of date yield using soil properties by regression and artificial neural network. Communications in Soil Science and Plant Analysis, 54(1), 36-47. doi:10.1080/00103624.2022.2109661.
• Bülbül, M. A. 2024. Optimization of artificial neural network structure and hyperparameters in hybrid model by genetic algorithm: iOS–android application for breast cancer diagnosis/prediction. The Journal of Supercomputing, 80(4), 4533-4553. doi:10.1007/s11227-023-05635-z.
• Türkmen, V., Doğukan, Ö. 2023. Makine Öğrenmesinde Regresyon Algoritmalarının Veteriner Hekimliği Alanında Uygulamaları. Veteriner Farmakoloji ve Toksikoloji Derneği Bülteni, 14(3), 118-132. doi:10.38137/vftd.1307581.
• Wichitaksorn, N., Kang, Y., & Zhang, F. 2023. Random feature selection using random subspace logistic regression. Expert Systems with Applications, 217, 119535. doi:10.1016/j.eswa.2023.119535.