Daha Akıllı Beton Tasarımı İçin Metakaolin ve Yapay Zekâ
Araştırmacılar, metakaolini gelişmiş tahmin modellemesiyle birleştirerek daha güçlü, daha düşük karbonlu beton tasarlamak için yapay zekâ destekli bir yöntem geliştirdiler.
Scientific Reports’ta yayımlanan yeni bir çalışma, çimentonun kısmen daha sürdürülebilir bir alternatif olan metakaolin ile değiştirildiği yüksek performanslı lif takviyeli betonu (FRC) inceliyor. Çalışma, inşaat sektörünün Portland Çimentosu (OPC) ile bağlantılı emisyonları azaltma konusunda artan baskıyla karşı karşıya kalması nedeniyle iki öncelik olan hem mekanik performansı hem de çevresel etkiyi iyileştirmeye odaklanıyor.
Çalışmanın merkezinde, yüksek hassasiyetle beton dayanımını tahmin etmek üzere tasarlanmış, Adaptif Piramit Genişletilmiş Yoğun Uzun Kısa Süreli Bellek ve Seyrek Dikkat (A-PDDLSTM-SA) adı verilen derin öğrenme modeli yer almaktadır.
Model, %96,13’e varan doğruluk seviyelerine ulaşarak malzeme performansını değerlendirmek için daha verimli bir yol sunmaktadır. Laboratuvar testlerine olan ihtiyacı ortadan kaldırmasa da, gerekli deneysel çalışma ölçeğini önemli ölçüde azaltmaktadır.
Daha akıllı malzemeler, daha güçlü beton
Çalışma, çimento tüketimini azaltmak için ek çimentolu malzemelerin (SCM’ler) artan kullanımına dayanmaktadır. Kaolin kilinin kalsinasyonuyla üretilen metakaolin, yüksek reaktivitesi ve basınç dayanımını ve dayanıklılığını artırma yeteneğiyle öne çıkmaktadır.
Betonun doğal kırılganlığını gidermek için araştırmacılar, karışıma çelik, cam, naylon ve polipropilen gibi lifler eklediler. Bu lifler, çatlak oluşumunu ve yayılmasını kontrol etmeye yardımcı olurken çekme dayanımını ve sünekliği de artırmaktadır.
Metakaolin ve lif takviyesi bir araya geldiğinde, dayanıklılık ve yapısal bütünlüğün kritik olduğu köprüler ve yüksek yapılar gibi zorlu uygulamalar için uygun bir malzeme olan yüksek mukavemetli lif takviyeli beton (HSFRC) üretir.
Karışımın test edilmesi
Araştırma ekibi, çimento yerine %10 metakaolin kullanarak, farklı lif türleri ve dozajlarıyla birlikte birden fazla beton karışımı geliştirdi. Tüm örnekler, tutarlılığı korumak için 0,32 su-çimento oranına sahip C60 sınıfı bir tasarıma uygun olarak üretildi.
Hem standart hem de lif takviyeli numuneler kontrollü koşullar altında test edildi. Mekanik performans, 7, 28, 56 ve 90 günlük kürleme aralıklarında basınç, yarmada çekme ve eğilme dayanımı testleri ile değerlendirilerek, dayanımın zaman içinde nasıl geliştiği kaydedildi.
Yapay zekâ modeli, karışım bileşimi ve performans arasındaki kalıpları belirlemek için bu sonuçları analiz etti. Model parametrelerini ayarlayarak tahmin doğruluğunu artıran Güncellenmiş Rastgele Sayı Tabanlı Hibrit Optimizasyon Algoritması (URN-HOA) kullanılarak daha da geliştirildi. Analiz, %10 metakaolin ve %1 çelik lifinden oluşan optimal bir karışımı işaret etti.
Performans kazanımları ve dengelemeler
Sonuçlar, tüm temel mukavemet ölçütlerinde ölçülebilir kazanımlar göstermektedir. Optimal karışım, genel olarak en iyi performansı sağladı; çelik lifler, basınç dayanımını yaklaşık %12,5 artırırken aynı zamanda tokluk ve sünekliği de iyileştirdi ancak, daha fazla, her zaman daha iyi anlamına gelmez.
Daha yüksek lif içeriği, zayıf dağılım ve lif kümelenmesi nedeniyle performansı düşürdü. Her lif türü farklı katkıda bulundu: Cam lifler matrisi güçlendirdi, naylon lifler çatlak köprülemeyi geliştirdi ve polipropilen lifler büzülme çatlaklarını azalttı.
Metakaolin, betonun mikro yapısını iyileştirerek dayanıklılığı daha da artırmada merkezi bir rol oynadı.
Modelleme tarafında, A-PDDLSTM-SA sistemi, RNN, GRU, SVM ve standart LSTM modelleri de dâhil olmak üzere geleneksel yaklaşımlardan daha iyi performans göstererek %25,747’lik bir Ortalama Hata Yüzdesi (MEP) elde etti. Özellikle, sınırlı veri kümeleriyle bile güvenilirliğini koruyarak, pratik bir tasarım aracı olarak değerini pekiştirdi.
İnşaat sektörü için çıkarımlar
Bulgular, beton tasarımına daha verimli bir yaklaşıma işaret ediyor. Yapay zekâyı kullanarak karışım konfigürasyonlarını simüle edip değerlendiren mühendisler, malzeme israfını azaltabilir, maliyetleri düşürebilir ve olgunluk sürelerini kısaltabilirler.
HSFRC’nin geliştirilmiş özellikleri, ağır yüklere ve zorlu ortamlara maruz kalan altyapı için uygun hâle getirirken, metakaolin kullanımı çimento üretimiyle ilişkili karbon emisyonlarını azaltmaya yardımcı olur.
Daha geniş anlamda, makine öğreniminin malzeme tasarımına entegrasyonu, performans, sürdürülebilirlik ve verimliliğin aynı anda ele alındığı veriye dayalı inşaat uygulamalarına doğru bir kaymayı işaret ediyor.
Sonraki adımlar
Sonuçlar umut verici olsa da, çalışma, veri kümesinin boyutu ve belirli lif kombinasyonlarına odaklanması nedeniyle sınırlıdır. Gelecekteki çalışmaların verileri genişletmesi, hibrit lif sistemlerini incelemesi ve değişen çevresel koşullar altında uzun vadeli dayanıklılığı değerlendirmesi beklenmektedir.
Bununla birlikte, araştırma, performansı iyileştirirken beton tasarımını kolaylaştırmak için sürdürülebilir malzemeleri yapay zeka destekli modellemeyle birleştirme konusunda net bir yön sunmaktadır.
