Yapay Zekâ Tekniği ile Atık Mermer Tozu İçeren Betonun, Basınç Dayanım Tahmini

Scientific Reports’ta yayımlanan yeni bir çalışma, atık mermer tozu betonunun basınç dayanımını tahmin etmek için geleneksel- deneysel yaklaşımlar yerine yapay zekâ (AI) yöntemlerinin kullanılmasını öneriyor. Bu çalışmada araştırmacılar yapay sinir ağları (YSA) ile hibrit optimizasyon tekniklerini kullanarak başta karınca kolonisi optimizasyonu (ACO) ve biyocoğrafya tabanlı optimizasyonu (BBO) olmak üzere üç model geliştirmiştir.

Arka plan
Beton endüstrisi, çimentonun tarımsal-endüstriyel yan ürünler ve atıklarla ikame edilmesi gibi sürdürülebilir uygulamaları giderek daha fazla benimsemektedir. Mermer kesme ve cilalama işleminin bir yan ürünü olan mermer tozu, ince taneciklere ve yüksek kireç içeriğiyle betonun mekanik özelliklerini ve dayanıklılığını artırabilir.
Öncelikle, atık mermer tozu katkılı betonun büyük ölçekli kullanımı, betonun basınç dayanımını nasıl etkilediğinin anlaşılmasını gerektirir. Geleneksel laboratuvar yöntemleri genellikle maliyetli, zaman alıcı ve değişen malzeme oranlarına veya test koşullarına daha az uyarlanabilir. Buna karşılık, yapay zekâ odaklı yöntemler, tekrarlayan laboratuvar testlerine gerek kalmadan güvenilir tahminler sağlayarak bu sınırlamaları ortadan kaldırabilir.

Yöntemler
Bu çalışmanın bir parçası olarak, mermer tozu katkılı betonunun basınç dayanımını tahmin etmek için 53 literatür kaynağından 1.135 farklı karışımı içeren kapsamlı bir veri seti toplanmıştır. Oluşturulan modellerde çimento, su, mermer tozu, iri agrega, süper akışkanlaştırıcı, ince agrega ve numunelerin yaşı girdi verileri (bağımsız değişkenler) ve basınç dayanımı ise çıktı verileri (bağımlı değişken) olarak kabul edilmiştir.
YSA, YSA-ACO ve YSA-BBO olmak üzere üç yapay zekâ modeli, eğitim (%70 veya 795 örnek), doğrulama (%15 veya 170 örnek) ve test (%15 veya 170 örnek) olmak üzere üç aşamaya ayrılan bu veri seti kullanılarak geliştirilmiştir. Karakteristik değişkenler arasındaki ilişkileri incelemek için Pearson korelasyon katsayısı yöntemi uygulanırken, girdiler ve basınç dayanımı arasındaki doğrusal korelasyonlara dayalı bir duyarlılık analizi de yapılmıştır. Levenberg-Marquardt algoritması diğer öğrenme algoritmalarına kıyasla üstün performans göstermiş ve çalışma için seçilmiştir.
Model doğruluğu, ortalama mutlak hata, kök ortalama karesel hata, belirleme katsayısı, Nash- Sutcliffe verimliliği, performans endeksi ve A-10 endeksi dâhil olmak üzere çeşitli parametreler kullanılarak değerlendirilmiştir. Ayrıca, eğitim ve doğrulama verileri on kata bölünerek K-kat çapraz doğrulama uygulanmış ve her kattaki verilerin %90’ı eğitim ve %10’u doğrulama için kullanılmıştır. Hatalar, bir ortalama elde etmek için katlar arasında hesaplanmıştır. Son olarak, tahmin modelleri genel performansı değerlendirmek ve yeniden doğrulama yapmak için ayrı veriler üzerinde test edilmiştir.

Sonuçlar ve tartışma
YSA modeli eğitim, doğrulama ve test aşamalarında sırasıyla 0,9540, 0,9353 ve 0,9392 R2 değerlerine ulaşmıştır. Buna karşılık, YSA-ACO modeli R2 değerlerini 0,9721, 0,9710 ve 0,9655 olarak elde ederken, YSA-BBO modeli bu aşamalar boyunca 0,9955, 0,9882 ve 0,9867 değerlerine ulaşmıştır. Bu sonuçlar, YSA-BBO modelinin gözlenen ve tahmin edilen değerler arasında en güçlü korelasyonu gösterdiğini ortaya koymaktadır.
Hata aralıkları incelendiğinde, YSA-BBO modelinin eğitim, doğrulama ve test aşamalarındaki tahminlerin sırasıyla %98, %97 ve %94’ünün -%10 ila %10 hata payı içinde kaldığı görülmüştür. Buna karşılık, YSA-ACO modeli bu aralıkta %85, %83 ve %82’ye ulaşırken, YSA modeli %79, %71 ve %80 kaydederek YSA- BBO modelinin daha dar bir hata aralığında mermer tozu katkılı betonun basınç dayanımını tahmin etmedeki üstün doğruluğunun göstermiştir.
Farklı girdi değişkenlerinin mermer tozu katkılı betonun basınç dayanımı üzerindeki etkisi çeşitlilik göstermiştir. Numune yaşı, basınç dayanımı üzerindeki etkinin %24’ünü oluşturarak en önemli faktör olarak ortaya çıkmış, bunu çimento (%20), su (%18) ve mermer tozu (%12) izlemiştir. Mermer tozunun katkısı, beton karışımlarında çimentoya sürdürülebilir bir alternatif olma potansiyelinin altını çizmektedir.
Geri kalan girdiler, ince agrega, kaba agrega ve süper akışkanlaştırıcı, basınç dayanımına sırasıyla %10, %8 ve %8 katkıda bulunmuştur. SHapley Additive exPlanations (SHAP) analizi ayrıca daha yüksek yaş ve çimento değerlerinin basınç dayanımını olumlu yönde etkilediğini ortaya koyarken, su ve mermer tozu miktarındaki artışlar negatif bir eğilim göstermiştir. Bunun dışında, performans ile sürdürülebilirliği dengeleyen, toplam çimento içeriğinin %15’ine kadar optimum mermer tozu ikame seviyesi de belirlenmiştir.

Sonuç ve gelecek beklentileri
Bu çalışma, mermer tozu betonunun basınç dayanımını tahmin etmek için doğru ve güvenilir bir yapay zekâ güdümlü yaklaşım sunmaktadır. Hibrit optimizasyon teknikleri olan ACO ve BBO, tek YSA modeline göre üstün performans göstermiş ve YSA-BBO modeli en etkili model olarak ortaya çıkmıştır. Literatürdeki modellerle karşılaştırıldığında, YSA-BBO modeli, muhtemelen kapsamlı bir veri kümesinin kullanılması nedeniyle daha iyi doğruluk elde etmiştir.
Gelecekteki araştırmalar için, modelin uygulanabilirliğini ve sağlamlığını daha da iyileştirmek amacıyla ek değişkenlerin dâhil edilmesi ve farklı çevresel koşullar altında mermer tozu betonunun dayanıklılığının ve mukavemetinin değerlendirilmesi önerilmektedir.

Kaynak: www.nature.com/articles/s41598-024-77908-3