DOI: https://doi.org/10.1038/s41598-025-32972-1
PMID: https://pubmed.ncbi.nlm.nih.gov/41622225
تاريخ النشر: 2026-02-01
المؤلف: Naz Mardani وآخرون
الموضوع الرئيسي: أبحاث مواد الخرسانة والأسمنت
نظرة عامة
تبحث هذه الدراسة في تطوير نماذج الذكاء الاصطناعي (AI) للتنبؤ بقوة الضغط (CS) وقيمة التدفق (FV) للأنظمة الأسمنتية التي تحتوي على الرماد المتطاير ومختلف المواد المضافة المخفضة للماء عالية المدى (HRWRAs). تم إنشاء قاعدة بيانات شاملة تضم 180 خلطات، توضح جرعات الأسمنت والرماد المتطاير، وخصائص HRWRAs (بما في ذلك الوزن الجزيئي وطول السلسلة)، وفترات المعالجة، وأوقات التدفق. تم استخدام نهجين للنمذجة: شبكة عصبية اصطناعية تقليدية (ANN) ونموذج هجين جديد يجمع بين ANN مع تحسين قائم على البيوجغرافيا (ANN-BBO). تفوق النموذج الهجين بشكل كبير على ANN المستقل، محققًا R² يقارب 0.99 لـ CS و0.98 لـ FV، مع تقليل أخطاء التنبؤ بنحو 60%. كانت المتغيرات الرئيسية المدخلة المؤثرة على CS تشمل وقت المعالجة ومحتوى الأسمنت، بينما تأثرت FV بشكل أساسي بوقت التدفق ووزن جزيء HRWRA.
تخلص الدراسة إلى أن نموذج ANN-BBO الهجين يوفر إطارًا تنبؤيًا قويًا لتقييم أداء المونة المعتمدة على الرماد المتطاير مع هياكل HRWRA المتنوعة. أظهر النموذج دقة عالية عبر مراحل التدريب والتحقق والاختبار، مع قيم R² تقترب من 0.99 لـ CS و0.98 لـ FV. أشار تحليل الأخطاء إلى أن أكثر من 85% من التنبؤات لـ CS و100% لـ FV وقعت ضمن نطاق انحراف ضيق، مما يؤكد موثوقية النموذج. يعزز دمج التحسين الميتاهيرستيكي مع الشبكات العصبية دقة التنبؤ والاتساق، مما يسهل تصميم مواد البناء المستدامة وعالية الأداء. تدعم هذه الطريقة تقليل الطلب على المواد الرابطة وانخفاض انبعاثات CO₂ المحتجزة، مما يتماشى مع أهداف الاستدامة في تكنولوجيا الخرسانة الحديثة. تشير النتائج إلى أن نموذج ANN-BBO يمكن أن يُحسن تصميم المواد المضافة، ويسهل عمليات مراقبة الجودة، ويحسن الأداء العام في إنتاج الخرسانة.
الطرق
تبحث الدراسة في النمذجة التنبؤية لقوة الضغط (CS) وقابلية التدفق (FV) في المونة الأسمنتية المخلوطة بالرماد المتطاير التي تحتوي على عوامل مخفضة للماء عالية المدى (HRWRAs). باستخدام مجموعة بيانات تضم 180 مزيجًا مختلفًا من المونة، تستند الدراسة إلى تحقيقات تجريبية منهجية قامت بتحليل الخصائص الجزيئية لـ HRWRAs، مع التركيز على كيفية تأثير التغيرات في طول السلسلة الرئيسية، وطول السلسلة الجانبية، والوزن الجزيئي على خصائص الأنظمة الأسمنتية.
استخدم البرنامج التجريبي أسمنت بورتلاند CEM I 42.5R، ورماد متطاير من الفئة F، ورمل كوارتز موحد، وثلاثة أنواع من HRWRAs القائمة على الإيثرات متعددة الكربوكسيلات (PCE). وثقت الدراسة بدقة الخصائص الفيزيائية والميكانيكية والكيميائية للمواد المستخدمة، مع تسليط الضوء على التغيرات المتحكم فيها في أوزان جزيئات HRWRA وأطوال السلاسل لتقييم تأثيرها على الأداء. بالإضافة إلى ذلك، استخدمت الدراسة الشبكات العصبية الاصطناعية (ANNs) للنمذجة، والتي تم هيكلتها لتقليد الشبكات العصبية البيولوجية. تتكون ANNs من طبقة إدخال، وطبقة إخراج، وواحدة أو أكثر من الطبقات المخفية، حيث تكون تكوينات الخلايا العصبية في هذه الطبقات حاسمة لتحقيق دقة عالية للنموذج.
النتائج
يقدم قسم النتائج النتائج المستخلصة من الدراسة، مع تسليط الضوء على النتائج الرئيسية المستمدة من الطرق التجريبية أو التحليلية المستخدمة. تشير البيانات إلى وجود ارتباط كبير بين المتغيرات قيد البحث، مما يشير إلى أن العلاقات المفترضة صحيحة ضمن المعلمات المختبرة. تعزز التحليلات الإحصائية، بما في ذلك قيم p وفترات الثقة، صحة هذه النتائج، مما يظهر حجم تأثير قوي.
علاوة على ذلك، يضع النقاش هذه النتائج في سياق الأدبيات الأوسع، مع معالجة الآثار المحتملة للبحث المستقبلي والتطبيقات العملية. يؤكد المؤلفون على أهمية هذه النتائج في تعزيز الفهم للموضوع، مع الاعتراف بالقيود واقتراح سبل لمزيد من التحقيق لتعزيز موثوقية وملاءمة النتائج.
النقاش
في هذه الدراسة، تم تصميم سلسلة من خلطات المونة الأسمنتية للتحقيق في تأثيرات معدلات استبدال الرماد المتطاير المتنوعة (0%، 15%، 30%، و45%) وهياكل المواد المضافة المختلفة على أداء المونة. تم إعداد الخلطات مع نسبة ثابتة من الماء إلى الأسمنت (w/c) تبلغ 0.485 ونسبة رمل إلى رابطة تبلغ 2.75، وفقًا لمعايير ASTM C109. تم معالجة المونة في ماء مشبع بالجير عند درجات حرارة متحكم فيها، وتم تقييم خصائصها الطازجة والمتصلبة من خلال اختبارات موحدة، بما في ذلك خصائص التدفق وقوة الضغط عند عدة فترات معالجة.
ركز التحليل على العلاقات بين المتغيرات المدخلة—مثل كميات الأسمنت والرماد المتطاير، وأوزان الجزيئات، وأوقات المعالجة—والمتغيرات الناتجة، تحديدًا قوة الضغط (CS) وقيمة التدفق (FV). تم استخدام نهج منهجي لتطبيع البيانات ومعالجتها إحصائيًا، باستخدام معيار Z-score لتحضير مجموعة البيانات لتطبيقات التعلم الآلي. كما نفذت الدراسة نموذجًا هجينًا يجمع بين الشبكات العصبية الاصطناعية (ANN) مع تحسين قائم على البيوجغرافيا (BBO) لتعزيز دقة التنبؤ. أشارت النتائج إلى أن نموذج ANN-BBO تفوق بشكل كبير على نموذج ANN التقليدي، محققًا قيم R² أعلى وأخطاء جذر متوسط المربعات (RMSE) أقل عبر مجموعات بيانات التدريب والتحقق والاختبار. أبرزت النتائج الرئيسية أهمية وقت المعالجة، والأسمنت، والرماد المتطاير كعوامل حاسمة تؤثر على أداء الأنظمة الأسمنتية التي تحتوي على الرماد المتطاير، حيث أظهر النموذج الهجين قدرات تنبؤية قوية ودقة محسنة في تقدير CS وFV.
DOI: https://doi.org/10.1038/s41598-025-32972-1
PMID: https://pubmed.ncbi.nlm.nih.gov/41622225
Publication Date: 2026-02-01
Author(s): Naz Mardani et al.
Primary Topic: Concrete and Cement Materials Research
Overview
This research investigates the development of artificial intelligence (AI) models to predict the compressive strength (CS) and flow value (FV) of cementitious systems that incorporate fly ash and various high-range water-reducing admixtures (HRWRAs). A comprehensive database of 180 mixes was established, detailing the dosages of cement and fly ash, characteristics of HRWRAs (including molecular weight and chain length), curing periods, and flow times. Two modeling approaches were utilized: a classical artificial neural network (ANN) and a novel hybrid model combining ANN with biogeography-based optimization (ANN-BBO). The hybrid model significantly outperformed the standalone ANN, achieving an R² of approximately 0.99 for CS and 0.98 for FV, while reducing prediction errors by about 60%. Key input variables influencing CS included curing time and cement content, whereas FV was primarily affected by flow time and HRWRA molecular weight.
The study concludes that the ANN-BBO hybrid model provides a robust predictive framework for assessing the performance of fly ash-based mortars with varying HRWRA structures. The model demonstrated high accuracy across training, validation, and testing phases, with R² values nearing 0.99 for CS and 0.98 for FV. Error analysis indicated that over 85% of predictions for CS and 100% for FV fell within a narrow deviation range, confirming the model’s reliability. The integration of metaheuristic optimization with neural networks enhances prediction accuracy and consistency, facilitating the design of sustainable, high-performance construction materials. This approach supports reduced binder demand and lower embodied CO₂ emissions, aligning with modern concrete technology’s sustainability goals. The findings suggest that the ANN-BBO model can effectively optimize admixture design, streamline quality control processes, and improve overall field performance in concrete production.
Methods
The study investigates the predictive modeling of compressive strength (CS) and flowability (FV) in fly ash-blended cementitious mortars that incorporate high-range water-reducing agents (HRWRAs). Utilizing a dataset of 180 distinct mortar mixtures, the research is grounded in systematic experimental investigations that analyzed the molecular characteristics of HRWRAs, focusing on how variations in main chain length, side chain length, and molecular weight affect the properties of cementitious systems.
The experimental program utilized CEM I 42.5R Portland cement, Class F fly ash, standardized quartz sand, and three types of polycarboxylate ether (PCE)-based HRWRAs. The study meticulously documented the physical, mechanical, and chemical properties of the materials used, highlighting the controlled variations in HRWRA molecular weights and chain lengths to assess their impact on performance. Additionally, the research employed artificial neural networks (ANNs) for modeling, which are structured to mimic biological neural networks. ANNs consist of an input layer, an output layer, and one or more hidden layers, with the configuration of neurons in these layers being critical for achieving high model accuracy.
Results
The results section presents the findings of the study, highlighting key outcomes derived from the experimental or analytical methods employed. The data indicates a significant correlation between the variables under investigation, suggesting that the hypothesized relationships hold true within the tested parameters. Statistical analyses, including p-values and confidence intervals, reinforce the validity of these findings, demonstrating a robust effect size.
Furthermore, the discussion contextualizes these results within the broader literature, addressing potential implications for future research and practical applications. The authors emphasize the importance of these findings in advancing understanding of the subject matter, while also acknowledging limitations and suggesting avenues for further investigation to enhance the reliability and applicability of the results.
Discussion
In this study, a series of cement mortar mixtures were designed to investigate the effects of varying fly ash replacement rates (0%, 15%, 30%, and 45%) and different admixture molecular structures on the performance of the mortars. The mixtures were prepared with a constant water-to-cement (w/c) ratio of 0.485 and a sand-to-binder ratio of 2.75, adhering to ASTM C109 standards. The mortars were cured in lime-saturated water at controlled temperatures, and their fresh and hardened properties were evaluated through standardized tests, including flow properties and compressive strength at multiple curing intervals.
The analysis focused on the relationships between input variables—such as the amounts of cement and fly ash, molecular weights, and curing times—and output variables, specifically compressive strength (CS) and flow value (FV). A systematic approach was employed for data normalization and statistical processing, utilizing Z-score standardization to prepare the dataset for machine learning applications. The study also implemented a hybrid model combining artificial neural networks (ANN) with biogeography-based optimization (BBO) to enhance predictive accuracy. Results indicated that the ANN-BBO model significantly outperformed the classical ANN model, achieving higher R² values and lower root mean square errors (RMSE) across training, validation, and testing datasets. Key findings highlighted the importance of curing time, cement, and fly ash as critical factors influencing the performance of cementitious systems containing fly ash, with the hybrid model demonstrating robust predictive capabilities and improved accuracy in estimating CS and FV.