DOI: https://doi.org/10.28991/hef-2025-06-02-04
تاريخ النشر: 2025-06-01
المؤلف: Angga T. Yudhistira وآخرون
الموضوع الرئيسي: نموذج معلومات البناء ودمج البناء
نظرة عامة
تبحث هذه الدراسة في تحسين خلطات الخرسانة لتقليل انبعاثات الكربون مع الحفاظ على القوة الانضغاطية وتقليل التكاليف. باستخدام خوارزمية XGBoost للتعلم الآلي للنمذجة التنبؤية وتحسين سرب الجسيمات (PSO) لتحسين الخلطات، تتضمن الدراسة متغيرات عمر الخرسانة وتحليل تفضيلات أصحاب المصلحة من خلال عملية التحليل الهرمي التحليلي (AHP) لاشتقاق معايير الخلط المثلى. تكشف النتائج أن النموذج يحقق دقة تنبؤية عالية بقيمة $R^2$ تبلغ 0.9043، وخطأ متوسط الجذر التربيعي (RMSE) يبلغ 48.5147، وخطأ متوسط النسبة المطلقة (MAPE) يبلغ 0.0484. تشير نتائج PSO إلى أن تقليل الأسمنت يمكن أن يؤدي إلى انخفاض بنسبة 7-10% في انبعاثات الكربون وانخفاض بنسبة 1-3% في التكاليف، مما يشير إلى إمكانات كبيرة لتوفير التكاليف في مشاريع البناء.
تخلص الدراسة إلى أن الأساليب المبتكرة، مثل الجمع بين XGBoost وPSO، يمكن أن تحسن تصميمات خلطات الخرسانة بشكل فعال، مما يساهم في الاستدامة في صناعة البناء. تبرز البحث أهمية عمر الخرسانة، ونسبة الماء إلى الأسمنت (wc)، وتركيب الأسمنت كعوامل رئيسية تؤثر على القوة الانضغاطية. علاوة على ذلك، تقترح أن التطبيق الأوسع لهذه الخلطات المحسّنة يمكن أن يؤدي إلى تقليل حوالي 4 ملايين طن متري من انبعاثات CO2 على مستوى العالم. يُوصى بإجراء أبحاث مستقبلية لتعزيز دقة توقعات الانهيار واستكشاف تحليل دورة الحياة لفهم شامل لتقليل الكربون وآثار التكاليف في مشاريع البناء الجارية.
مقدمة
تسلط مقدمة هذه الورقة البحثية الضوء على التأثير الكبير للاحتباس الحراري على جنوب شرق آسيا، وخاصة من خلال الحرارة الشديدة وتلوث الهواء، حيث يساهم قطاع البناء بنسبة 30% إلى 40% من انبعاثات غازات الدفيئة العالمية (GHG). تشكل الخرسانة، التي تشكل أكثر من 50% من المواد الهيكلية على مستوى العالم، مصدرًا رئيسيًا لهذه الانبعاثات، ويرجع ذلك أساسًا إلى إنتاج الأسمنت، الذي يطلق حوالي 0.9 طن من CO2 لكل طن من الخرسانة. تؤكد الدراسة على ضرورة تقليل استخدام الأسمنت في الخرسانة دون المساس بالقوة الانضغاطية، مستكشفة بدائل مثل الخرسانة الجيوبوليمرية. ومع ذلك، فإن التحديات المتعلقة بالعمل والتكلفة تعيق اعتمادها على نطاق واسع.
لمعالجة هذه القضايا، تقترح الورقة استخدام خوارزميات التعلم الآلي (ML)، وبشكل خاص خوارزمية XGBoost، بالتزامن مع تحسين سرب الجسيمات (PSO) لتحسين تصميمات خلطات الخرسانة. تهدف هذه الطريقة إلى تقليل استهلاك الأسمنت مع الحفاظ على مقاييس الأداء مثل القوة الانضغاطية وتكاليف الإنتاج. تكمن حداثة هذا البحث في دمج عمر الخرسانة كمتغير في التوقعات وتحديد وزن معايير التحسين من خلال عملية التحليل الهرمي التحليلي (AHP) التي تشمل أصحاب المصلحة في البناء في إندونيسيا. من المتوقع أن توجه نتائج الدراسة أصحاب المصلحة في صياغة خلطات خرسانية مستدامة، مما يدعم جهود إزالة الكربون ويتماشى مع الأهداف العالمية للاستدامة.
مناقشة
ت outlines قسم المناقشة في الورقة البحثية المنهجية والنتائج من دراسة تهدف إلى تحسين تصميمات خلطات الخرسانة لتعزيز القوة الانضغاطية مع تقليل تكاليف الإنتاج وانبعاثات الكربون. تم تحليل ما مجموعه 132 مجموعة بيانات، باستخدام مخططات تجريبية متنوعة قامت بتعديل نسب الماء إلى الأسمنت ومحتوى الإضافات. استخدمت الدراسة مضافًا قائمًا على الفورمالديهايد النفثاليني السلفوني (SNF) لتحسين قابلية العمل والمتانة، بينما تم استخدام الأسمنت البورتلاندي العادي (OPC) كربط أساسي. تم قياس القوة الانضغاطية في عدة فترات (1، 3، 7، و28 يومًا)، وتم استخدام البيانات لتطوير نموذج تنبؤي باستخدام خوارزمية XGBoost، التي تم دمجها مع نموذج الانحدار الخطي لتعزيز دقة التنبؤ.
تم إجراء عملية التحسين باستخدام تحسين سرب الجسيمات (PSO)، الذي تم إبلاغه بتفضيلات أصحاب المصلحة المستمدة من عملية التحليل الهرمي التحليلي (AHP). أشارت النتائج إلى أن تصميمات الخلطات المحسّنة يمكن أن تحقق قوى انضغاطية تتجاوز 70% من الهدف في 3 أيام، مع تقليل انبعاثات الكربون المحتجزة بنسبة 7%-10% وانخفاض طفيف في تكاليف الإنتاج بنسبة 1%-3%. خلصت الدراسة إلى أن هذا النهج في التحسين لا يلبي فقط المتطلبات الهيكلية ولكن أيضًا يسهل إزالة القوالب مبكرًا، مما قد يؤدي إلى توفير كبير في التكاليف في مشاريع البناء. أكدت اختبارات التحقق أن توقعات النموذج تتماشى عن كثب مع نتائج القوة الانضغاطية الفعلية، مما يظهر فعالية المنهجية المقترحة في تحقيق حلول خرسانية مستدامة.
DOI: https://doi.org/10.28991/hef-2025-06-02-04
Publication Date: 2025-06-01
Author(s): Angga T. Yudhistira et al.
Primary Topic: BIM and Construction Integration
Overview
This research investigates the optimization of concrete mixtures to reduce carbon emissions while maintaining compressive strength and minimizing costs. Utilizing the XGBoost Machine Learning Algorithm for predictive modeling and Particle Swarm Optimization (PSO) for mixture optimization, the study incorporates concrete age variables and stakeholder preference analysis through the Analytic Hierarchy Process (AHP) to derive optimal mixture parameters. The findings reveal that the model achieves a high predictive accuracy with an $R^2$ value of 0.9043, a root mean square error (RMSE) of 48.5147, and a mean absolute percentage error (MAPE) of 0.0484. The PSO results indicate that cement reduction can lead to a 7-10% decrease in carbon emissions and a 1-3% reduction in costs, suggesting significant potential for cost savings in construction projects.
The study concludes that innovative approaches, such as the combination of XGBoost and PSO, can effectively optimize concrete mix designs, thereby contributing to sustainability in the construction industry. The research highlights the importance of concrete age, water-cement (wc) ratio, and cement composition as key factors influencing compressive strength. Furthermore, it suggests that broader application of these optimized mixtures could lead to a reduction of approximately 4 million metric tons of CO2 emissions globally. Future research is recommended to enhance slump prediction accuracy and to explore lifecycle analysis for a comprehensive understanding of carbon reduction and cost implications in ongoing construction projects.
Introduction
The introduction of this research paper highlights the significant impact of global warming on Southeast Asia, particularly through extreme heat and air pollution, with the construction sector contributing 30% to 40% of global greenhouse gas (GHG) emissions. Concrete, which constitutes over 50% of structural materials globally, is a major source of these emissions, primarily due to cement production, which releases approximately 0.9 tons of CO2 per ton of concrete. The study emphasizes the necessity of reducing cement usage in concrete without compromising compressive strength, exploring alternatives such as geopolymer concrete. However, challenges related to workability and cost hinder its widespread adoption.
To address these issues, the paper proposes utilizing machine learning (ML) algorithms, specifically the XGBoost algorithm, in conjunction with particle swarm optimization (PSO) to optimize concrete mix designs. This approach aims to minimize cement consumption while maintaining performance metrics such as compressive strength and production costs. The novelty of this research lies in incorporating concrete age as a variable in predictions and determining the weight of optimization criteria through the Analytic Hierarchy Process (AHP) involving construction stakeholders in Indonesia. The study’s findings are expected to guide stakeholders in formulating sustainable concrete mixtures, thereby supporting decarbonization efforts and aligning with global sustainability goals.
Discussion
The discussion section of the research paper outlines the methodology and findings from a study aimed at optimizing concrete mix designs to enhance compressive strength while minimizing production costs and carbon emissions. A total of 132 datasets were analyzed, employing various experimental schemes that manipulated water-cement ratios and admixture content. The study utilized a sulfonated naphthalene formaldehyde (SNF)-based admixture to improve workability and durability, while Ordinary Portland Cement (OPC) was used as the primary binder. The compressive strength was measured at multiple intervals (1, 3, 7, and 28 days), and the data were employed to develop a predictive model using the XGBoost algorithm, which was integrated with a linear regression model to enhance prediction accuracy.
The optimization process was conducted using Particle Swarm Optimization (PSO), which was informed by stakeholder preferences derived from the Analytic Hierarchy Process (AHP). The results indicated that the optimized mix designs could achieve compressive strengths exceeding 70% of the target at 3 days, with reductions in embodied carbon emissions of 7%-10% and slight decreases in production costs of 1%-3%. The study concluded that this optimization approach not only meets structural requirements but also facilitates early formwork removal, potentially leading to significant cost savings in construction projects. Validation tests confirmed that the model predictions closely aligned with actual compressive strength results, demonstrating the effectiveness of the proposed methodology in achieving sustainable concrete solutions.