Yapay Zekâ, Sürdürülebilir Beton Karışımlarını Optimize Ediyor

Araştırmacılar, mukavemet, maliyet ve sürdürülebilirliği dengeleyerek gerçek zamanlı olarak çevre dostu beton karışımları tasarlayan yeni bir yapay zekâ destekli yöntem geliştirdiler.

Scientific Reports dergisinde yayımlanan yeni bir çalışma, çevre dostu beton karışımları tasarlamak için derin sinir ağlarını (DNN’ler) çok amaçlı parçacık sürü optimizasyonuyla (MOPSO) birleştiren veri odaklı bir çerçeve sunuyor. Optimize edilmiş formülasyonlar, çimento içeriğini %25’e kadar azaltırken 50 MPa’nın üzerinde basınç dayanımları elde etti. Bu da geleneksel tasarımlara kıyasla yaklaşık %15’lik bir toplam maliyet tasarrufu anlamına geliyor.

Arka plan

Geleneksel beton karışım tasarımı genellikle deneme-yanılma yöntemlerine dayanır ve bu da özellikle dayanım, maliyet ve sürdürülebilirlik arasında denge kurarken zaman alıcı ve verimsiz olabilir. Hesaplamalı modellemedeki son gelişmelerle birlikte, daha sistematik ve veriye dayalı yaklaşımlar uygulanabilir hâle gelmiştir.

Makine öğrenimi ve özellikle derin öğrenme, bileşen oranları ve kürlenme süresi gibi girdi değişkenleri ile basınç dayanımı ve dayanıklılık gibi performans ölçütleri arasındaki karmaşık, doğrusal olmayan ilişkileri modelleme olanağı sunar. Aynı zamanda, optimizasyon algoritmaları, rekabet eden hedefler arasında optimum dengeleri bularak sürdürülebilirlik endişelerini gidermek için kullanılmaktadır.

Bu çalışma, bütünleşik bir yaklaşım sunmaktadır. Derin öğrenme modeli beton basınç dayanımını tahmin ederken, çok amaçlı bir optimizasyon rutini dayanımı en üst düzeye çıkarmayı, çimento içeriğini en aza indirmeyi ve genel maliyeti düşürmeyi amaçlamaktadır. Sistem, geçmiş verilerden öğrenmek için DNN’leri kullanır ve tasarım alanında verimli bir şekilde gezinmek için MOPSO’yu uygular.

Yöntemler

Önerilen metodoloji birkaç aşamadan oluşmaktadır; veri ön işleme, model geliştirme, hiperparametre ayarlama, değerlendirme ve doğrulama, çok amaçlı optimizasyon, özellik önem analizi ve gerçek zamanlı kullanım için bir grafiksel kullanıcı arayüzü (GUI) oluşturma.

DNN mimarisi, bir giriş katmanı, ReLU aktivasyon fonksiyonlarına sahip birden fazla gizli katman ve basınç dayanımını tahmin eden tek bir çıktı düğümünden oluşur. Modelin hiperparametrelerini ince ayarlamak için Bayes optimizasyonu kullanıldı ve kök ortalama karesel hata (RMSE) en aza indirildi.

Modelin doğruluğu, RMSE, ortalama mutlak hata (MAE), ortalama mutlak yüzde hatası (MAPE) ve R2 gibi bir dizi metrik kullanılarak daha önce görülmemiş veriler üzerinde test edildi. Optimizasyon için DNN’nin tahminleri, bileşen kütlelerinin ağırlıklı toplamına dayalı bir maliyet fonksiyonuyla eşleştirildi ve üçüncü bir kriter çimento içeriğini açıkça en aza indirdi. Permütasyon yöntemleri kullanılarak yapılan bir özellik önem analizi, temel performans etkenlerini belirledi. Son olarak, ekip sistemi pratik kullanım için daha erişilebilir hâle getirmek amacıyla MATLAB tabanlı bir grafiksel kullanıcı arayüzü (GUI) geliştirdi.

Sonuçlar ve tartışma

Eğitilen DNN, çimento, uçucu kül, yüksek fırın cürufu, süperakışkanlaştırıcı ve su gibi birincil karışım bileşenleri arasındaki doğrusal olmayan ilişkileri etkili bir şekilde modelledi. 0,936’lık ortalama R² ve 5,71 MPa’lık RMSE ile vurgulanan güçlü çapraz doğrulama sonuçları, modelin sağlamlığını doğruladı.

Araştırmacılar, MOPSO kullanarak gerçekçi kısıtlamalar (örneğin, toplam hacim, su-çimento oranı, malzeme sınırları) dâhilinde bir dizi uygulanabilir karışım tasarımı araştırdı. Optimize edilmiş sonuçlar, maliyet, dayanım ve sürdürülebilirlik arasında pratik dengeler sundu. Özellikle, bazı tasarımlar 50 MPa basınç dayanımını korurken çimento kullanımını %25 ve maliyetleri %15 oranında azaltmıştır.

Önemlilik analizi, çimento içeriği ve kürlenme yaşının basınç dayanımı üzerinde en etkili faktörler olduğunu, uçucu kül, süper akışkanlaştırıcı ve cüruf gibi diğer girdilerin de önemli ölçüde katkıda bulunduğunu ortaya koymuştur.

Genel olarak, çerçeve, çevresel etkiyi ve maliyetleri azaltırken performans standartlarını karşılayan beton karışımları geliştirmek için güvenilir bir araç görevi görmektedir. Kullanıcı dostu bir grafiksel kullanıcı arayüzünün (GUI) eklenmesi, teori ve yerinde uygulama arasındaki boşluğu kapatarak inşaat ortamlarında daha hızlı ve veriye dayalı karar alma süreçlerini mümkün kılmaktadır.

Sonuç ve gelecek çalışmalar

Bu entegre çerçeve, DNN’lerin ve MOPSO’nun maliyet, dayanım ve çevresel faktörleri dengeleyerek sürdürülebilir, yüksek performanslı beton karışımları üretmek için nasıl birlikte çalışabileceğini göstermektedir.

Yazarlar, gelecekteki çalışmaların, ham madde kaynakları, çevre koşulları ve işlenebilirlik ve uzun vadeli dayanıklılık gibi ek performans ölçütlerindeki değişiklikleri hesaba katacak şekilde veri setinin genişletilmesini içerebileceğini öne sürmektedir. Ayrıca, doğruluk ve optimizasyon kapsamını artırmak için gelişmiş aktivasyon fonksiyonları, hassasiyet analizi ve alternatif metasezgisel algoritmalar kullanılmaktadır.

Standart MOPSO’nun karmaşık veya yüksek boyutlu problemlerle başa çıkmakta zorlanabileceği göz önüne alındığında, gelecekteki yinelemeler, çözüm kümesindeki çeşitliliği ve sağlamlığı artırmak için ayrıştırmaya dayalı stratejileri içerebilir.

Özetle, bu yaklaşım, yapay zekâ destekli optimizasyonun sürdürülebilir inşaat uygulamalarına entegre edilmesi için pratik ve uyarlanabilir bir yol haritası sunmaktadır.

Kaynak: www.azobuild.com/news.aspx?newsID=23802