DOI: https://doi.org/10.1038/s41598-025-00943-1
PMID: https://pubmed.ncbi.nlm.nih.gov/40348782
تاريخ النشر: 2025-05-10
المؤلف: Rupesh Kumar Tipu وآخرون
الموضوع الرئيسي: أبحاث مواد الخرسانة والأسمنت
نظرة عامة
الإطار المقترح يدمج الشبكات العصبية العميقة (DNNs) مع تحسين متعدد الأهداف لتطوير خلطات خرسانية صديقة للبيئة. يتم تدريب DNN على مجموعة بيانات شاملة تتضمن معلمات خلط وظروف معالجة متنوعة، محققة دقة تنبؤية عالية بمتوسط $R^2$ قدره 0.936 وخطأ متوسط الجذر التربيعي (RMSE) قدره 5.71 ميغاباسكال خلال التحقق المتقاطع بخمسة طيات. يقوم خوارزم تحسين سرب الجسيمات متعدد الأهداف (MOPSO) بتحديد حلول مثلى متعددة توازن بين تعظيم القوة، وتقليل التكلفة، واستخدام الأسمنت، مما يؤدي إلى تصميمات خلطات تتجاوز قوة ضغط 50 ميغاباسكال مع تقليل محتوى الأسمنت بنسبة تصل إلى 25% والتكاليف الإجمالية بنسبة 15% مقارنة بالخلطات القياسية. تشير تحليل أهمية الميزات إلى أن محتوى الأسمنت وعمر الخرسانة هما العاملان الرئيسيان المؤثران على قوة الضغط.
بينما يجمع الإطار بشكل فعال بين DNNs وMOPSO، إلا أن له قيودًا، بما في ذلك إمكانية التقارب المبكر في المشكلات المعقدة بسبب نهج MOPSO القياسي. ستستكشف الأبحاث المستقبلية استراتيجيات متعددة الأهداف بديلة، مثل NSGA-III والخوارزميات المعتمدة على التحلل، لتعزيز تنوع الحلول. بالإضافة إلى ذلك، لم يتم التحقق تجريبيًا من تصميمات الخلطات المثلى المتوقعة، وسيشمل العمل المستقبلي اختبار عينات الخرسانة لتقييم قوة الضغط وقابلية العمل. تظل قابلية تعميم النموذج غير مختبرة ضد مجموعات بيانات مستقلة، مما يبرز الحاجة إلى مزيد من التحقق لضمان قابليته للتطبيق عبر خصائص المواد المختلفة والمواصفات الإقليمية. بشكل عام، تقدم هذه الدراسة منهجية قوية لتصميم الخرسانة المستدامة، مقدمة رؤى قيمة لكل من البحث الأكاديمي والتطبيقات العملية في صناعة البناء.
طرق
توضح المنهجية الموضحة في هذا القسم نهجًا منهجيًا لتحسين تصميمات خلطات الخرسانة الخضراء من خلال دمج التعلم العميق وتقنيات تحسين متعدد الأهداف. تشمل المكونات الرئيسية للمنهجية معالجة البيانات، التي تُعد مجموعة البيانات للتحليل؛ تطوير النموذج، حيث يتم بناء نماذج تنبؤية؛ وتحسين المعلمات الفائقة، التي تهدف إلى تعزيز أداء النموذج. بالإضافة إلى ذلك، تشمل المنهجية تقييم النموذج والتحقق منه لضمان الموثوقية، تليها تحسين متعدد الأهداف لتحقيق توازن بين معايير التصميم المختلفة.
علاوة على ذلك، يتم إجراء تحليل أهمية الميزات لتحديد المتغيرات الأكثر تأثيرًا على تصميم الخلطات. لتعزيز تفاعل المستخدم والوصول، تم تطوير واجهة مستخدم رسومية (GUI)، مما يتيح اختيار تصميمات خلطات الخرسانة في الوقت الحقيقي بناءً على المعلمات المحسّنة. يتم تمثيل سير العمل العام لهذه المنهجية بصريًا في الشكل 4، موضحًا العمليات المترابطة المعنية في تحقيق تصميمات خلطات خرسانية فعالة ومستدامة.
نتائج
في هذا القسم، يتم تقديم نتائج تحسين المعلمات الفائقة لنموذج الشبكة العصبية العميقة (DNN)، باستخدام تحسين بايزي لتعزيز أداء النموذج. تم استخدام نموذج عملية غاوسي كبديل لتقريب متوسط خطأ الجذر التربيعي (RMSE) خلال تحقق متقاطع بخمسة طيات. قاد دالة اكتساب التحسين المتوقع (EI) اختيار المعلمات الفائقة المرشحة، مما أدى إلى تكوين مثالي يقلل من RMSE المتحقق المتقاطع مع تحقيق توازن بين تعقيد النموذج والتعميم.
تشمل المعلمات الفائقة المحسّنة التي تم تحديدها 100 وحدة مخفية في الطبقة الأولى، و48 وحدة مخفية في الطبقة الثانية، ومعدل تعلم قدره 0.0021، وحجم دفعة صغيرة قدره 16. تم اختيار هذا التكوين لفعاليته في تقليل خطأ التنبؤ وضمان تدريب مستقر. بشكل خاص، يسمح العدد الأكبر من الوحدات المخفية في الطبقة الأولى بالتقاط تفاعلات الميزات المعقدة، بينما تساعد الوحدات المخفضة في الطبقة الثانية في التخفيف من الإفراط في التكيف. يسهل معدل التعلم تحقيق توازن بين سرعة التقارب والاستقرار، ويوفر حجم الدفعة الصغيرة تقديرات قوية للتدرجات دون مطالب حسابية مفرطة. بشكل عام، قد حسّن عملية التحسين بشكل ملحوظ من دقة النموذج التنبؤية، كما يتضح من انخفاض RMSE المتحقق المتقاطع، وسيتم استخدام هذا التكوين في إطار تحسين متعدد الأهداف لتصميم خلطات الخرسانة الصديقة للبيئة.
نقاش
في هذا القسم، يناقش المؤلفون تحليل البيانات الاستكشافية الذي تم إجراؤه على مجموعة بيانات شاملة تضم 1,133 عينة خرسانية، تتميز بتسعة سمات عددية، بما في ذلك الأسمنت، خبث الفرن العالي، الرماد المتطاير، الماء، المضافات الفائقة، الركام الخشن، الركام الناعم، العمر، وقوة الضغط. يكشف التحليل عن تباين كبير في الميزات المدخلة، خاصة في الأسمنت (المتوسط: 276.50 كجم/م³، الانحراف المعياري: 103.47 كجم/م³) والعمر (المتوسط: 44.06 يومًا، الانحراف المعياري: 60.44 يومًا)، والتي تعتبر حاسمة لفهم تأثيرها على المتغير الناتج، قوة الضغط (المتوسط: 35.84 ميغاباسكال، الانحراف المعياري: 16.10 ميغاباسكال). تسلط الإحصائيات الوصفية والتصورات، بما في ذلك الرسوم البيانية والمخططات الصندوقية، الضوء على التوزيعات والقيم الشاذة داخل مجموعة البيانات، مما يبرز أهمية جودة البيانات للنمذجة التنبؤية اللاحقة.
تحدد تحليل الارتباط باستخدام معاملات بيرسون وسبيرمان العلاقات الرئيسية بين المتغيرات، ولا سيما الارتباط الإيجابي المعتدل بين الأسمنت وقوة الضغط (بيرسون $r = 0.48$) والعلاقة الأحادية القوية بين العمر وقوة الضغط (سبيرمان $\rho = 0.51$). توجه هذه النتائج اختيار الميزات لنموذج الشبكة العصبية العميقة (DNN) الذي تم تطويره للتنبؤ بقوة الضغط. يستخدم المؤلفون تحسين بايزي لضبط المعلمات الفائقة، مما يعزز أداء النموذج مع معالجة الكفاءة الحسابية. توفر مقاييس التقييم، بما في ذلك RMSE وMAE وR²، تقييمًا شاملاً لقدرة النموذج التنبؤية، مما يؤدي إلى مقياس مركب يجمع بين هذه القياسات لمقارنة قوية للنموذج. بشكل عام، يبرز هذا القسم الدور الحاسم لتحليل البيانات الاستكشافية وتقييمات الارتباط في إبلاغ تطوير النموذج واستراتيجيات التحسين.
DOI: https://doi.org/10.1038/s41598-025-00943-1
PMID: https://pubmed.ncbi.nlm.nih.gov/40348782
Publication Date: 2025-05-10
Author(s): Rupesh Kumar Tipu et al.
Primary Topic: Concrete and Cement Materials Research
Overview
The proposed framework integrates deep neural networks (DNNs) with multi-objective optimization to develop environmentally friendly concrete mixes. The DNN is trained on a comprehensive dataset that includes various mix parameters and curing conditions, achieving a high predictive accuracy with an average $R^2$ of 0.936 and a root mean square error (RMSE) of 5.71 MPa during 5-fold cross-validation. The Multi-Objective Particle Swarm Optimization (MOPSO) algorithm identifies multiple optimal solutions that balance strength maximization, cost reduction, and cement usage, resulting in mix designs that exceed 50 MPa compressive strength while reducing cement content by up to 25% and total costs by 15% compared to standard mixes. Feature importance analysis indicates that cement content and concrete age are the primary factors influencing compressive strength.
While the framework effectively combines DNNs and MOPSO, it has limitations, including the potential for premature convergence in complex problems due to the standard MOPSO approach. Future research will explore alternative multi-objective strategies, such as NSGA-III and decomposition-based algorithms, to enhance solution diversity. Additionally, the predicted optimal mix designs have yet to be experimentally validated, and future work will involve testing concrete specimens to assess compressive strength and workability. The model’s generalizability remains untested against independent datasets, highlighting the need for further validation to ensure its applicability across varying material properties and regional specifications. Overall, this study presents a robust methodology for sustainable concrete design, offering valuable insights for both academic research and practical applications in the construction industry.
Methods
The methodology outlined in this section details a systematic approach for optimizing green concrete mix designs through the integration of deep learning and multi-objective optimization techniques. Key components of the methodology include data preprocessing, which prepares the dataset for analysis; model development, where predictive models are constructed; and hyperparameter optimization, aimed at enhancing model performance. Additionally, the methodology encompasses model evaluation and validation to ensure reliability, followed by multi-objective optimization to balance various design criteria.
Furthermore, feature importance analysis is conducted to identify the most influential variables affecting the mix design. To enhance user interaction and accessibility, a graphical user interface (GUI) is developed, enabling real-time selection of concrete mix designs based on the optimized parameters. The overall workflow of this methodology is visually represented in Figure 4, illustrating the interconnected processes involved in achieving efficient and sustainable concrete mix designs.
Results
In this section, the results of hyperparameter optimization for a Deep Neural Network (DNN) model are presented, utilizing Bayesian optimization to enhance model performance. A Gaussian Process surrogate model was employed to approximate the average Root Mean Square Error (RMSE) over a 5-fold cross-validation. The Expected Improvement (EI) acquisition function guided the selection of candidate hyperparameters, leading to an optimal configuration that minimized cross-validated RMSE while balancing model complexity and generalization.
The optimized hyperparameters identified include 100 hidden units in the first layer, 48 hidden units in the second layer, a learning rate of 0.0021, and a mini-batch size of 16. This configuration was chosen for its effectiveness in reducing prediction error and ensuring stable training. Specifically, the higher number of hidden units in the first layer allows for capturing complex feature interactions, while the second layer’s reduced units help mitigate overfitting. The learning rate facilitates a balance between convergence speed and stability, and the mini-batch size provides robust gradient estimates without excessive computational demands. Overall, the optimization process has markedly improved the DNN model’s predictive accuracy, as indicated by the low cross-validated RMSE, and this configuration will be utilized in the subsequent multi-objective optimization framework for eco-efficient concrete mix design.
Discussion
In this section, the authors discuss the exploratory data analysis conducted on a comprehensive dataset of 1,133 concrete samples, characterized by nine numerical attributes, including Cement, Blast Furnace Slag, Fly Ash, Water, Superplasticizer, Coarse Aggregate, Fine Aggregate, Age, and Compressive Strength. The analysis reveals significant variability in the input features, particularly in Cement (mean: 276.50 kg/m³, standard deviation: 103.47 kg/m³) and Age (mean: 44.06 days, standard deviation: 60.44 days), which are crucial for understanding their influence on the output variable, Compressive Strength (mean: 35.84 MPa, standard deviation: 16.10 MPa). Descriptive statistics and visualizations, including histograms and box plots, highlight the distributions and outliers within the dataset, emphasizing the importance of data quality for subsequent predictive modeling.
The correlation analysis using Pearson and Spearman coefficients identifies key relationships among variables, notably a moderate positive correlation between Cement and Compressive Strength (Pearson $r = 0.48$) and a strong monotonic relationship between Age and Compressive Strength (Spearman $\rho = 0.51$). These findings guide feature selection for the deep neural network (DNN) model developed to predict compressive strength. The authors employ Bayesian optimization for hyperparameter tuning, enhancing model performance while addressing computational efficiency. The evaluation metrics, including RMSE, MAE, and R², provide a comprehensive assessment of the model’s predictive capability, culminating in a composite metric that aggregates these measures for robust model comparison. Overall, the section underscores the critical role of exploratory data analysis and correlation assessments in informing model development and optimization strategies.