مروری مقایسه ای بر روش های هوشمند طراحی اختلاط بتن مبتنی بر یادگیری ماشین و الگوریتم های تکاملی

در این پژوهش، به منظور بهینه سازی و پیش بینی مقاومت فشاری بتن های حاوی Mezukret و Power Gel، ابتدا نمونه های آزمایشگاهی طبق دو طرح اختلاط مجزا ساخته و در سنین مختلف آزمایش شدند. سپس مدل سازی با چهار الگوریتم یادگیری ماشین شامل رگرسیون خطی، ماشین بردار پشتیبان (SVR)، شبکه عصبی مصنوعی (ANN) و مدل انسمبلی XGBoost انجام شد. نتایج تجربی و محاسباتی نشان داد که مدل XGBoost بالاترین دقت پیش بینی را (با MAE=۰.۸ و R²=۰.۹۹) ارائه می دهد و مدل های ساده تر همچون رگرسیون خطی عمدتا برای تحلیل روند کلی داده ها مناسب هستند. تحلیل نهایی بیانگر آن است که ترکیب داده های واقعی آزمایشگاهی و روش های نوین یادگیری ماشین، ابزار قدرتمندی برای بهینه سازی طرح اختلاط و پیش بینی رفتار مکانیکی بتن های نوین محسوب می شود. همچنین پیشنهاد شد در تحقیقات آینده از داده های گسترده تر و مدل های یادگیری عمیق جهت افزایش دقت و قابلیت تعمیم استفاده شود.

Keywords:

هوش مصنوعی , طرح اختلابتن , بهینه سازی , مقاومت فشاری , یادگیری ماشین , الگوریتم های تکاملی , تحلیل آماری