امیر انصاری - کارشناس ارشد عمران، گرایش مهندسی و مدیریت ساخت، موسسه شهید رجایی، هلدینگ تخصصی راه و شهرسازی
محمد اسحاقی - کارشناس ارشد مهندسی معماری و انرژی موسسه شهید رجایی، هلدینگ تخصصی راه و شهرسازی

دمای بالا به شدت بر ماهیت مواد مورداستفاده برای تولید بتن تاثیر می گذارد که به نوبه خود خواص مقاومتی بتن را کاهش میدهد.دستیابی به مقاومت فشاری مطلوب بتن کاری دشوار و زمان بر است. با این حال، استفاده از رویکردهای یادگیری ماشینی نظارت شده(ML) این امکان را فراهم م یکند که در ابتدا نتیجه هدفمند را با دقت بالا پی شبینی کرد. این مطالعه از ماشین بردار پشتیبان و جنگلتصادفی برای پی شبینی مقاومت فشاری بتن در دماهای بالا بر اساس ۲۰۷ داده استفاده میکند. برای اجرای مدل های انتخاب شده ازکدنویسی پایتون در سکوی گوگل کولب استفاده شده است. در مجموع ۹ پارامتر ورودی (آب، سیمان، سنگدانه درشت، سن گدانه ریز،خاکستر بادی، فوق روا نکنندهها، دوده سیلیس، نانو سیلیس و دما) به عنوان ورودی وارد شدند و یک متغیر (مقاومت فشاری) به عنوا نخروجی ا نتخاب شد. عملکرد ا لگوریتم های ML مورداستفاده باتوج هبه شاخص های آماری، از جمله ضریب همبستگی ((R(۲) و میانگین خطا یمطلق (MAE)، میانگین مربع خطا (MSE) ارزیابی شدند. مدل های SVM و RF به ترتیب (R(۲ برابر با ۹۱ / ۰ و ۹۲ / ۰ به دست آوردند. ایننشان دهنده همبستگی قوی بین نتایج واقعی و پیش بینی شده است. در این تحقیق نشان داده شده است که استفاده از الگوریتم یادگیریماشین گروهی سطح عملکرد مدل را افزایش می دهد. با استفاده از الگوریتم های یادگیری ماشین می توان اقدام به پیش بینی مقاومت فشاریبتن در زمان کوتاه و هزینه کم اقدام نمود.

بتن خودتراکم، بتن معمولی، ماده قوام دهنده، دوام، مواد پوزولانی، تامین تخصصی