DOI: https://doi.org/10.1038/s41598-025-88923-3
PMID: https://pubmed.ncbi.nlm.nih.gov/39929908
تاريخ النشر: 2025-02-10
المؤلف: Zhenyun Du وآخرون
الموضوع الرئيسي: أبحاث مواد الخرسانة والأسمنت
نظرة عامة
تتناول هذه الدراسة تراجع توفر رمل الأنهار والأثر البيئي لإنتاج الأسمنت البورتلاندي، الذي ينبعث منه ثاني أكسيد الكربون بشكل كبير. تبحث الدراسة في استبدال الأسمنت البورتلاندي العادي (OPC) ورمل الأنهار (R sand) بمواد معاد تدويرها، وتحديداً الرماد المتطاير والرمل المصنع (M sand)، في خلطات الخرسانة المصممة لتلبية مواصفات درجة M40. تظهر النتائج التجريبية أن دمج الرماد المتطاير وM sand يعزز من قوة ضغط الخرسانة، مع تحديد مستويات الاستبدال المثلى عند 25 wt% من الرماد المتطاير و50 wt% من M sand. أكدت اختبارات قوة الضغط التي أجريت على مدى 3 إلى 90 يومًا من المعالجة هذه النتائج.
بالإضافة إلى ذلك، تم استخدام تقنيات التعلم الآلي، بما في ذلك تعزيز التدرج المتطرف (XGBoost)، الذاكرة طويلة وقصيرة الأجل (LSTM)، آلة الدعم الناقل (SVM)، والانحدار بواسطة العمليات الغاوسية (GPR)، للتنبؤ بقوة ضغط عينات الخرسانة. تفوق نموذج XGBoost على الآخرين، محققًا قيم R² تبلغ 0.9999 و0.9964 في مراحل التدريب والاختبار، على التوالي. أشارت تحليلات SEM-EDS إلى تشكيل هياكل ميكروية مضغوطة تحتوي على نسبة عالية من الكالسيوم والسيليكون، مما يساهم في تحسين قوة الخرسانة. تستنتج الدراسة أن استخدام الرماد المتطاير وM sand لا يعزز فقط أداء الخرسانة ولكن يعزز أيضًا الاستدامة من خلال إدارة النفايات وتقليل انبعاثات الكربون، مما يجعله مناسبًا للتطبيقات الهيكلية.
طرق
تتضمن منهجية هذه الدراسة استبدال الأسمنت البورتلاندي العادي (OPC) ورمل الأنهار (R Sand) بالرماد المتطاير (FA) والرمل المصنع (M Sand) في خرسانة بدرجة M40. تم تقييم قوة ضغط الخرسانة في 3 و7 و28 و90 يومًا، مع تحليل ميكروهيكلي باستخدام المجهر الإلكتروني الماسح (SEM) والتحليل الطيفي المشتت للطاقة (EDS). بالإضافة إلى ذلك، تم تطوير نماذج التعلم الآلي، بما في ذلك تعزيز التدرج المتطرف (XGBoost)، الذاكرة طويلة وقصيرة الأجل (LSTM)، آلة الدعم الناقل (SVM)، والانحدار بواسطة العمليات الغاوسية (GPR)، للتنبؤ بقوة الضغط بناءً على البيانات التجريبية، مع التحقق من خلال مقاييس إحصائية وأدوات بصرية لتحديد بدائل المواد المثلى لإنتاج الخرسانة المستدامة.
تضمنت المواد المستخدمة الأسمنت البورتلاندي من الدرجة 53، والرماد المتطاير المستخرج من محطة الطاقة الحرارية في رايشور، وM Sand من محجر في بنغالور. تم تقييم الخصائص الفيزيائية لهذه المواد وفقًا للمعايير الهندية (IS)، لضمان الامتثال للمواصفات الخاصة بالوزن النوعي، والنعومة، والاتساق، وأوقات التصلب. تم تصميم خليط الخرسانة وفقًا لإرشادات IS، مع اختبار قوة الضغط على مكعبات بحجم 100 مم³ باستخدام آلة اختبار ضغط محوسبة. تم استخدام خوارزمية XGBoost، المعروفة بدقتها العالية في النمذجة التنبؤية، لتحليل البيانات. تستخدم مجموعة من أشجار القرار لتعزيز الأداء التنبؤي، مع التركيز على تحسين تعقيد النموذج لتخفيف الإفراط في التكيف من خلال مصطلح تنظيم في دالة الخسارة المحددة بواسطة متوسط مربع الخطأ (MSE).
نتائج
تسلط نتائج الدراسة الضوء على أداء أربعة نماذج من التعلم الآلي—XGBoost، LSTM، SVM، وGPR—في التنبؤ بقوة ضغط الخرسانة. أظهر نموذج XGBoost دقة تنبؤية استثنائية، محققًا قيمة $R^2$ تبلغ 0.99999 خلال كل من مراحل التدريب والاختبار. في المقابل، أظهر نموذج LSTM أداءً أقل بكثير، مع قيم $R^2$ تبلغ 0.93456 خلال التدريب و0.93269 خلال الاختبار. جاء GPR قريبًا من XGBoost بقيمة $R^2$ تبلغ 0.98493 خلال التدريب، على الرغم من أن دقته التنبؤية انخفضت خلال الاختبار. قدم نموذج SVM أداءً جيدًا، محققًا قيم $R^2$ تبلغ 0.96757 وخطأ متوسط الجذر التربيعي (RMSE) يبلغ 2.32183.
عكست الرسوم البيانية للانحدار أداء النماذج، حيث تماشى XGBoost وGPR بشكل وثيق مع خط التنبؤ المثالي $y = x$ خلال التدريب، مما يدل على دقة عالية. ومع ذلك، أظهر نموذج LSTM تباينًا كبيرًا عن هذا الخط، مما يشير إلى أداء ضعيف، بينما تفوق نموذج SVM على GPR خلال الاختبار، متماشيًا جيدًا مع $y = x$. بشكل عام، تؤكد النتائج على أهمية التقييم الشامل لمختلف خوارزميات التعلم الآلي لتحديد النموذج الأكثر فعالية في التنبؤ بقوة الخرسانة، مع ظهور XGBoost كخيار متفوق بناءً على مؤشرات الأداء المتعددة.
مناقشة
في هذا القسم، تناقش الدراسة التحليل الميكروهيكلي ونماذج التعلم الآلي (ML) المستخدمة للتنبؤ بقوة ضغط الخرسانة التي تحتوي على الرماد المتطاير وM sand. تم استخدام التحليل الطيفي المشتت للطاقة (EDS) والمجهر الإلكتروني الماسح (SEM) لتحليل الميكروهيكل للخرسانة، مما يكشف أن الاستبدال الأمثل للأسمنت البورتلاندي العادي (OPC) بالرماد المتطاير هو 25 wt%، مما يعزز قوة الضغط من خلال تعزيز هيكل ميكروي أكثر كثافة من خلال تشكيل هيدرات سيليكات الكالسيوم (C-S-H). تسلط الدراسة الضوء أيضًا على العلاقة الإيجابية بين قوة الضغط ومحتوى M sand، مع مستوى استبدال فعال أقصى يبلغ 50 wt%، مما يحسن الربط بين مصفوفة الأسمنت والركام.
تم تقييم أداء أربعة نماذج من التعلم الآلي—XGBoost، الذاكرة طويلة وقصيرة الأجل (LSTM)، آلة الدعم الناقل (SVM)، والانحدار بواسطة العمليات الغاوسية (GPR)—من حيث دقتها التنبؤية فيما يتعلق بقوة الخرسانة. تفوق نموذج XGBoost على الآخرين، محققًا قيمة R² عالية تبلغ 0.9964 وأظهر قدرات تنبؤية متفوقة كما يتضح من منحنى خصائص خطأ الانحدار (REC) وتحليلات مخطط تايلور. تؤكد الدراسة على أهمية تحسين المعلمات الفائقة لكل نموذج وإجراء تحليل عدم اليقين لتقييم موثوقية التنبؤ. بشكل عام، تؤكد النتائج على إمكانية دمج الرماد المتطاير وM sand في إنتاج الخرسانة، مما يساهم في ممارسات البناء المستدامة مع تحقيق الخصائص الميكانيكية المطلوبة.
القيود
تقدم الدراسة عدة قيود قد تؤثر على عمومية وملاءمة نتائجها. أولاً، قد لا تغطي نطاق مستويات الاستبدال المحدود للأسمنت البورتلاندي العادي (OPC) ورمل الأنهار (R sand) بالرماد المتطاير والرمل المصنع (M sand) بشكل كامل تباينات أداء الخرسانة عبر تركيبات مختلفة. بالإضافة إلى ذلك، كانت مجموعة البيانات المستخدمة لتدريب نماذج التعلم الآلي (ML) محدودة، مما قد يقيد قوة النماذج التنبؤية لتصاميم خلطات الخرسانة المتنوعة والظروف البيئية. تزيد التباينات في جودة الرماد المتطاير، المتأثرة بنوع الفحم وعمليات محطة الطاقة الحرارية، من تعقيد اتساق أداء المواد. قد تتجاهل الافتراضات التي تم إجراؤها أثناء توصيف المجهر الإلكتروني الماسح-التحليل الطيفي المشتت للطاقة (SEM-EDS) بشأن تجانس الميكروهيكل التباينات المحلية، مما يؤثر على دقة النتائج.
يجب أن تتناول الأبحاث المستقبلية هذه القيود من خلال استكشاف نطاق أوسع من مستويات الاستبدال وتعزيز اتساق المواد. يُوصى بإجراء تقييمات الجدوى الاقتصادية لخليط الخرسانة المقترح، جنبًا إلى جنب مع تحليلات دورة الحياة لت quantifying الفوائد البيئية. علاوة على ذلك، تقترح الدراسة التحقيق في تقنيات التنبؤ المتقدمة، مثل الشبكات العصبية العميقة، لتحسين دقة تنبؤات ML. سيكون التحقق من النتائج تحت ظروف بيئية مختلفة ونسب خلط، بالإضافة إلى تقييمات المتانة من خلال طرق اختبار متنوعة، أمرًا أساسيًا لفهم شامل لأداء الخرسانة. أخيرًا، يجب توسيع تطبيق التعلم الآلي ليشمل التنبؤات طويلة الأجل للخصائص وفحص التحولات الطورية والتغيرات المعدنية في مصفوفة الخرسانة من خلال تحليلات حيود الأشعة السينية.
DOI: https://doi.org/10.1038/s41598-025-88923-3
PMID: https://pubmed.ncbi.nlm.nih.gov/39929908
Publication Date: 2025-02-10
Author(s): Zhenyun Du et al.
Primary Topic: Concrete and Cement Materials Research
Overview
This research addresses the declining availability of river sand and the environmental impact of Portland cement production, which emits significant carbon dioxide. The study investigates the replacement of Ordinary Portland Cement (OPC) and river sand (R sand) with recycled materials, specifically fly ash and manufactured sand (M sand), in concrete mixes designed to meet M40 grade specifications. The experimental results demonstrate that incorporating fly ash and M sand enhances the compressive strength of concrete, with optimal replacement levels identified at 25 wt% fly ash and 50 wt% M sand. Compressive strength tests conducted over 3 to 90 days of curing confirmed these findings.
Additionally, machine learning techniques, including Extreme Gradient Boosting (XGBoost), Long Short-Term Memory (LSTM), Support Vector Machine (SVM), and Gaussian Process Regression (GPR), were employed to predict the compressive strength of the concrete samples. The XGBoost model outperformed the others, achieving R² values of 0.9999 and 0.9964 in training and testing phases, respectively. SEM-EDS analyses indicated the formation of compact microstructures with high calcium and silicon content, contributing to the improved strength of the concrete. The study concludes that using fly ash and M sand not only enhances concrete performance but also promotes sustainability by managing waste and reducing carbon emissions, making it suitable for structural applications.
Methods
The methodology of this study involves substituting Ordinary Portland Cement (OPC) and River Sand (R Sand) with Fly Ash (FA) and Manufactured Sand (M Sand) in M40-grade concrete. The compressive strength of the concrete was assessed at 3, 7, 28, and 90 days, complemented by microstructural analysis using Scanning Electron Microscopy (SEM) and Energy Dispersive Spectroscopy (EDS). Additionally, machine learning models, including Extreme Gradient Boosting (XGBoost), Long Short-Term Memory (LSTM), Support Vector Machine (SVM), and Gaussian Process Regression (GPR), were developed to predict compressive strength based on experimental data, with validation through statistical metrics and visual tools to identify optimal material substitutions for sustainable concrete production.
The materials used included 53-grade OPC, sourced fly ash from Raichur thermal power station, and M Sand from a quarry in Bangalore. The physical properties of these materials were evaluated according to Indian Standards (IS), ensuring compliance with specifications for specific gravity, fineness, consistency, and setting times. The concrete mix was designed following IS guidelines, with compressive strength tested on 100 mm³ cubes using a computerized compression testing machine. The XGBoost algorithm, known for its high accuracy in predictive modeling, was employed to analyze the data. It utilizes an ensemble of decision trees to enhance predictive performance, with a focus on optimizing model complexity to mitigate overfitting through a regularization term in the loss function defined by mean square error (MSE).
Results
The results of the study highlight the performance of four machine learning models—XGBoost, LSTM, SVM, and GPR—in predicting the compressive strength of concrete. The XGBoost model demonstrated exceptional predictive accuracy, achieving an $R^2$ value of 0.99999 during both training and testing phases. In contrast, the LSTM model exhibited significantly lower performance, with $R^2$ values of 0.93456 during training and 0.93269 during testing. GPR followed closely behind XGBoost with an $R^2$ of 0.98493 during training, although its predictive precision declined during testing. The SVM model performed well, achieving $R^2$ values of 0.96757 and a root mean square error (RMSE) of 2.32183.
Regression plots further illustrated the models’ performances, with XGBoost and GPR closely aligning with the ideal prediction line $y = x$ during training, indicating high accuracy. However, the LSTM model showed considerable dispersion from this line, suggesting poor performance, while the SVM model outperformed GPR during testing, aligning well with $y = x$. Overall, the findings underscore the importance of a comprehensive evaluation of various machine learning algorithms to identify the most effective model for predicting concrete strength, with XGBoost emerging as the superior choice based on multiple performance indicators.
Discussion
In this section, the research discusses the microstructural analysis and machine learning (ML) models used to predict the compressive strength of concrete incorporating fly ash and M sand. Energy Dispersive Spectroscopy (EDS) and Scanning Electron Microscopy (SEM) were employed to analyze the concrete’s microstructure, revealing that the optimal replacement of Ordinary Portland Cement (OPC) with fly ash is 25 wt%, which enhances compressive strength by promoting a denser microstructure through the formation of calcium silicate hydrate (C-S-H). The study also highlights the positive correlation between compressive strength and the content of M sand, with a maximum effective replacement level of 50 wt%, which improves the bond between the cement matrix and aggregates.
The performance of four ML models—XGBoost, Long Short-Term Memory (LSTM), Support Vector Machine (SVM), and Gaussian Process Regression (GPR)—was evaluated for their predictive accuracy regarding concrete strength. The XGBoost model outperformed the others, achieving a high R² value of 0.9964 and demonstrating superior predictive capabilities as evidenced by the Regression Error Characteristic (REC) curve and Taylor diagram analyses. The study emphasizes the importance of optimizing hyperparameters for each model and conducting uncertainty analysis to assess prediction reliability. Overall, the findings underscore the potential of integrating fly ash and M sand in concrete production, contributing to sustainable construction practices while achieving desired mechanical properties.
Limitations
The study presents several limitations that may affect the generalizability and applicability of its findings. Firstly, the limited range of replacement levels for Ordinary Portland Cement (OPC) and river sand (R sand) with fly ash and manufactured sand (M sand) may not fully capture the performance variations of concrete across different compositions. Additionally, the dataset used for training the machine learning (ML) models was constrained, potentially limiting the models’ predictive power for diverse concrete mix designs and environmental conditions. Variability in fly ash quality, influenced by coal type and thermal power plant operations, further complicates material performance consistency. The assumptions made during scanning electron microscopy-energy dispersive spectroscopy (SEM-EDS) characterization regarding microstructural uniformity may overlook localized variations, impacting the accuracy of the results.
Future research should address these limitations by exploring a broader range of replacement levels and enhancing the consistency of materials. Economic viability assessments of the proposed concrete mix, alongside lifecycle analyses to quantify environmental benefits, are recommended. Moreover, the study suggests investigating advanced predictive technologies, such as deep neural networks, to improve the precision of ML predictions. Validation of the findings under varying environmental conditions and mix proportions, as well as durability assessments through various testing methods, will be essential for a comprehensive understanding of the concrete’s performance. Lastly, the application of machine learning should be expanded to include long-term property predictions and the examination of phase transitions and mineralogical changes in the concrete matrix through X-ray diffraction analyses.