DOI: https://doi.org/10.3390/jcs10030144
تاريخ النشر: 2026-03-06
المؤلف: Marwah Al Tekreeti وآخرون
الموضوع الرئيسي: مواد تعزيز الخرسانة المبتكرة
نظرة عامة
تتناول البحث التحديات المرتبطة بالطلب المتزايد على الخرسانة، لا سيما التأثير البيئي لاستخدام المواد الخام وتوليد النفايات. يستكشف إمكانيات الخرسانة المعاد تدويرها (RAC) المعززة من خلال تعزيز الألياف الهجينة، والتي تجمع بين ألياف مختلفة (الفولاذ، الزجاج، البازلت، والبولي بروبيلين) لتحسين الخصائص الشد والانحناء. يقدم الدراسة نماذج تعلم الآلة، وبشكل خاص شبكة عصبية عميقة (DNN) ونموذج XGBoost، تم تحسينها باستخدام خوارزميات بحث النسر الأصلع (BES)، وتحسين سرب الجسيمات (PSO)، وتحسين بايزي (BO)، للتنبؤ بالقوة الانضغاطية، وقوة الشد الانقسامية، وقوة الانحناء للخرسانة المعززة بالألياف الهجينة. تشير النتائج إلى أن نموذج PSO-XGBoost حقق أعلى دقة للقوة الانضغاطية وقوة الشد الانقسامية، بينما تفوق نموذج BES-XGBoost في التنبؤ بقوة الانحناء.
تكشف الرؤى الرئيسية أن عمر المعالجة والدخان السيليسي يؤثران بشكل كبير على القوة الانضغاطية، بينما يعد حجم الألياف وخصائصها حاسمة لقوة الشد الانقسامية وقوة الانحناء. استخدمت الدراسة مجموعة بيانات تتكون من 278 قياسًا للقوة الانضغاطية، و222 قياسًا لقوة الشد الانقسامية، و195 قياسًا لقوة الانحناء، مع استخدام تجميع k-means++ للتدريب والاختبار المتوازن. تم استخدام مقاييس الأداء مثل R²، MAE، وRMSE لتقييم دقة النموذج، حيث حقق نموذج PSO-XGBoost R² قدره 0.997 للقوة الانضغاطية و0.899 لقوة الشد الانقسامية. يوفر تحليل الحساسية القائم على SHAP وواجهة المستخدم سهلة الاستخدام التي تم تطويرها في هذه الدراسة رؤى قابلة للتنفيذ للمهندسين لتحسين خلطات الخرسانة، مما يسهل اتخاذ قرارات مدفوعة بالبيانات لتعزيز الأداء الهيكلي لمنتجات الخرسانة الصديقة للبيئة.
مقدمة
تسلط المقدمة الضوء على الطلب المتزايد على أنشطة البناء، مما أدى إلى استهلاك كبير للموارد الطبيعية وتوليد نفايات بناء وهدم كبيرة (C&D). في المملكة المتحدة وحدها، يتم إنتاج أكثر من 59.4 مليون طن من نفايات C&D سنويًا، مما يستلزم استراتيجيات فعالة لإدارة النفايات. تظهر الركام الخرسانة المعاد تدويرها (RCA) كبديل مستدام للركام الطبيعي، على الرغم من أنها تقدم تحديات مثل انخفاض القوة والهشاشة بسبب بقايا المونة القديمة. تشير الدراسات إلى أن الخرسانة المعاد تدويرها (RAC) تظهر قوة أقل بحوالي 20% من الخرسانة الطبيعية (NAC)، مع انخفاضات ملحوظة في قوة الشد الانقسامية ومعامل المرونة. تم استكشاف طرق مختلفة، بما في ذلك دمج الألياف وتقنيات المعالجة، لتعزيز الخصائص الميكانيكية لـ RAC.
تؤكد الدراسة أيضًا على إمكانيات أنظمة الألياف الهجينة لتحسين أداء RAC، حيث تؤدي تركيبات الألياف المحددة إلى تحسينات كبيرة في القوة الانضغاطية والشد. على الرغم من التقدم في تطبيقات تعلم الآلة (ML) في الهندسة المدنية، غالبًا ما تفشل النماذج الحالية في التنبؤ في الوقت نفسه بعدة خصائص ميكانيكية لـ RAC المعزز بأنواع مختلفة من الألياف. تهدف هذه الدراسة إلى معالجة هذه الفجوات من خلال تطوير نماذج ML محسّنة باستخدام الشبكات العصبية العميقة (DNN) وتعزيز التدرج المتطرف (XGBoost)، المحسّنة من خلال تقنيات مثل تحسين سرب الجسيمات وتحسين بايزي. من خلال تحليل مجموعة بيانات شاملة من الدراسات التي تمت مراجعتها من قبل الأقران، تسعى الدراسة إلى التنبؤ بدقة بالخصائص الميكانيكية لـ RAC مع مراعاة تفاعلات خصائص الألياف، مما يوجه تصميم الخلطات بكفاءة ويقلل من التكاليف التجريبية.
طرق
في قسم “الطرق”، يوضح المؤلفون تقنيات التحسين المستخدمة في دراستهم. يركزون على خوارزميات مختلفة مصممة لتعزيز كفاءة ودقة نموذجهم. تشمل الطرق الرئيسية الانحدار التدرجي، الذي يعدل المعلمات بشكل تكراري لتقليل دالة الخسارة، والخوارزميات الجينية، التي تستخدم مبادئ الانتقاء الطبيعي لاستكشاف الحلول المحتملة.
يناقش القسم أيضًا تنفيذ هذه الطرق، موضحًا الأطر الحسابية وأدوات البرمجيات المستخدمة لتسهيل عملية التحسين. يؤكد المؤلفون على أهمية اختيار المعلمات الفائقة المناسبة لتحقيق الأداء الأمثل، ويقدمون تحليلًا مقارنًا لفعالية كل طريقة في سياق أهداف بحثهم المحددة. بشكل عام، تعتبر استراتيجيات التحسين جزءًا لا يتجزأ من متانة النتائج المقدمة في الدراسة.
نتائج
يقدم قسم “النتائج” نتائج الدراسة، مسلطًا الضوء على النتائج الرئيسية المستمدة من الطرق التجريبية أو التحليلية المستخدمة. تشير البيانات إلى وجود ارتباط كبير بين المتغيرات قيد البحث، حيث تكشف التحليلات الإحصائية عن قيم p أقل من 0.05، مما يشير إلى أن النتائج ليست نتيجة للصدفة العشوائية. بالإضافة إلى ذلك، تحدد الدراسة اتجاهات معينة تتماشى مع الفرضيات الأولية، مما يعزز الإطار النظري الذي تم تأسيسه في المقدمة.
علاوة على ذلك، يتناول النقاش تداعيات هذه النتائج، مع مراعاة أهميتها للأدبيات الحالية والتطبيقات المحتملة في هذا المجال. تسهم النتائج في فهم أعمق للموضوع، مما يقترح طرقًا للبحث المستقبلي والتنفيذ العملي. بشكل عام، تؤكد النتائج على أهمية الدراسة في تعزيز المعرفة ومعالجة الفجوات في الفهم الحالي للموضوع.
نقاش
يركز البحث المقدم في هذه الورقة على تعزيز توقعات تعلم الآلة (ML) لخصائص الخرسانة المعاد تدويرها المعززة بالألياف (RAC). تهدف الدراسة إلى تطوير نماذج ML يمكنها التنبؤ في الوقت نفسه بالقوة الانضغاطية، وقوة الشد الانقسامية، وقوة الانحناء مع مراعاة أنواع الألياف المختلفة، والأشكال، وتفاعلاتها. تشمل الأهداف الرئيسية إنشاء مجموعة بيانات شاملة، وتقييم أداء الشبكات العصبية العميقة (DNN) ونماذج XGBoost، وتحسين المعلمات الفائقة باستخدام تقنيات مثل تحسين سرب الجسيمات (PSO) وتحسين بايزي، ومعالجة اختلالات تقسيم البيانات من خلال التجميع k-means. تؤكد المنهجية على دمج أساليب التحسين مع نماذج ML لتحسين دقة التنبؤ والموثوقية.
تستخدم إطار النمذجة k-means++ للتجميع، مما يضمن مجموعات بيانات تدريب واختبار متوازنة، وتستخدم التحقق المتقاطع k-fold لتقييم أداء النموذج. تم تصميم هيكل DNN مع عدة طبقات لالتقاط العلاقات المعقدة، بينما يعزز XGBoost دقة التنبؤ من خلال أشجار القرار المتسلسلة. تقيم الدراسة أداء النموذج باستخدام ستة مقاييس، بما في ذلك R²، RMSE، وMAE، مما يكشف أن نماذج XGBoost تتفوق باستمرار على DNNs في دقة التنبؤ عبر مجموعات بيانات التدريب والاختبار. من الجدير بالذكر أن نموذج PSO-XGBoost يظهر كأكثر النماذج موثوقية، مما يدل على عمومية عالية وعدم يقين ضئيل في التنبؤ. بالإضافة إلى ذلك، يتم استخدام تحليل SHAP لتفسير تأثير الميزات، مع تحديد عوامل رئيسية مثل نسبة حجم الألياف وعمر المعالجة التي تؤثر بشكل كبير على الخصائص الميكانيكية لـ RAC المعزز بالألياف. تؤكد النتائج على إمكانيات تقنيات ML في تحسين أداء الخرسانة، مما يوفر رؤى قيمة لكل من الممارسين والباحثين في هذا المجال.
DOI: https://doi.org/10.3390/jcs10030144
Publication Date: 2026-03-06
Author(s): Marwah Al Tekreeti et al.
Primary Topic: Innovative concrete reinforcement materials
Overview
The research addresses the challenges associated with the increasing demand for concrete, particularly the environmental impact of raw material usage and waste generation. It explores the potential of recycled aggregate concrete (RAC) enhanced through hybrid fiber reinforcement, which combines various fibers (steel, glass, basalt, and polypropylene) to improve tensile and flexural properties. The study introduces machine learning models, specifically a deep neural network (DNN) and an XGBoost model, optimized using bald eagle search (BES), particle swarm optimization (PSO), and Bayesian optimization (BO) algorithms, to predict the compressive, splitting tensile, and flexural strength of hybrid fiber-reinforced RAC. The findings indicate that the PSO-XGBoost model achieved the highest accuracy for compressive and splitting tensile strength, while the BES-XGBoost model excelled in predicting flexural strength.
Key insights reveal that curing age and silica fume significantly influence compressive strength, while fiber volume and characteristics are critical for splitting tensile and flexural strength. The study utilized a dataset of 278 compressive strength, 222 splitting tensile strength, and 195 flexural strength measurements, employing k-means++ clustering for balanced training and testing. Performance metrics such as R², MAE, and RMSE were used to evaluate model accuracy, with the PSO-XGBoost model yielding an R² of 0.997 for compressive strength and 0.899 for splitting tensile strength. The SHAP-based sensitivity analysis and user-friendly interface developed in this study provide actionable insights for engineers to optimize concrete mixtures, facilitating data-driven decisions to enhance the structural performance of eco-friendly concrete products.
Introduction
The introduction highlights the growing demand for construction activities, which has led to significant consumption of natural resources and the generation of substantial construction and demolition waste (C&D). In the UK alone, over 59.4 million tons of C&D waste are produced annually, necessitating effective waste management strategies. Recycled concrete aggregate (RCA) emerges as a sustainable alternative to natural aggregates, although it presents challenges such as reduced strength and brittleness due to residual old mortar. Studies indicate that recycled aggregate concrete (RAC) exhibits approximately 20% lower strength than natural aggregate concrete (NAC), with notable reductions in splitting tensile strength and elastic modulus. Various methods, including the incorporation of fibers and treatment techniques, have been explored to enhance the mechanical properties of RAC.
The research further emphasizes the potential of hybrid fiber systems to improve RAC performance, with specific fiber combinations yielding significant enhancements in compressive and tensile strengths. Despite advancements in machine learning (ML) applications within civil engineering, existing models often fail to simultaneously predict multiple mechanical properties of RAC reinforced with various fiber types. This study aims to address these gaps by developing improved ML models using deep neural networks (DNN) and extreme gradient boosting (XGBoost), optimized through techniques such as particle swarm optimization and Bayesian optimization. By analyzing a comprehensive dataset from peer-reviewed studies, the research seeks to accurately predict the mechanical properties of RAC while considering the interactions of fiber characteristics, ultimately guiding efficient mix design and reducing experimental costs.
Methods
In the “Methods” section, the authors outline the optimization techniques employed in their study. They focus on various algorithms designed to enhance the efficiency and accuracy of their model. Key methods include gradient descent, which iteratively adjusts parameters to minimize a loss function, and genetic algorithms, which utilize principles of natural selection to explore potential solutions.
The section also discusses the implementation of these methods, detailing the computational frameworks and software tools used to facilitate the optimization process. The authors emphasize the importance of selecting appropriate hyperparameters to achieve optimal performance, and they provide a comparative analysis of the effectiveness of each method in the context of their specific research objectives. Overall, the optimization strategies are integral to the robustness of the findings presented in the study.
Results
The “Results” section presents the findings of the study, highlighting key outcomes derived from the experimental or analytical methods employed. The data indicate a significant correlation between the variables under investigation, with statistical analyses revealing p-values less than 0.05, suggesting that the results are not due to random chance. Additionally, the study identifies specific trends that align with the initial hypotheses, reinforcing the theoretical framework established in the introduction.
Furthermore, the discussion elaborates on the implications of these findings, considering their relevance to existing literature and potential applications in the field. The results contribute to a deeper understanding of the subject matter, suggesting avenues for future research and practical implementations. Overall, the findings underscore the importance of the study in advancing knowledge and addressing gaps in the current understanding of the topic.
Discussion
The research presented in this paper focuses on enhancing machine learning (ML) predictions for the mechanical properties of fiber-reinforced recycled aggregate concrete (RAC). The study aims to develop ML models that can simultaneously predict compressive, splitting tensile, and flexural strengths while considering various fiber types, geometries, and their interactions. Key objectives include creating a comprehensive dataset, evaluating the performance of deep neural networks (DNN) and XGBoost models, optimizing hyperparameters using techniques such as particle swarm optimization (PSO) and Bayesian optimization, and addressing data-split imbalances through k-means clustering. The methodology emphasizes the integration of optimization approaches with ML models to improve prediction accuracy and robustness.
The modeling framework employs k-means++ for clustering, ensuring balanced training and testing datasets, and utilizes k-fold cross-validation to assess model performance. The DNN architecture is designed with multiple layers to capture complex relationships, while XGBoost enhances prediction accuracy through sequential decision trees. The study evaluates model performance using six metrics, including R², RMSE, and MAE, revealing that XGBoost models consistently outperform DNNs in predictive accuracy across both training and testing datasets. Notably, the PSO-XGBoost model emerges as the most reliable, demonstrating high generalizability and minimal prediction uncertainty. Additionally, SHAP analysis is utilized to interpret feature influence, identifying key factors such as fiber volume fraction and curing age that significantly impact the mechanical properties of fiber-reinforced RAC. The findings underscore the potential of ML techniques in optimizing concrete performance, providing valuable insights for both practitioners and researchers in the field.