Geri Dön

Prediction of early-age mechanical properties of high strength concrete with pozzolans by using statistical methods

İstatistik yöntemler kullanılarak puzolan katkılı yüksek dayanmlı betonların erken yaş mekanik özelliklerinin tahmini

PDF İndir

  1. Tez No: 734791
  2. Yazar: MUZAFFER UMUR DALGIÇ
  3. Danışmanlar: PROF. DR. YILMAZ AKKAYA
  4. Tez Türü: Yüksek Lisans
  5. Konular: İnşaat Mühendisliği, Civil Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2022
  8. Dil: İngilizce
  9. Üniversite: İstanbul Teknik Üniversitesi
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: İnşaat Ana Bilim Dalı
  12. Bilim Dalı: Yapı Mühendisliği Bilim Dalı
  13. Sayfa Sayısı: 275

Özet

Beton teknolojisindeki gelişmeler, malzeme ve bilgisayar bilimleri ile tüm bunların uygulamaları yardımıyla daha önemli ve etkin hale gelmektedir. Gelişmiş hesap yöntemleri, hesap programları ve süper bilgisayarlar ile de betonun mekanik davranışları bugün, birçok yönden çok daha iyi anlaşılmaktadır. Ayrıca beton teknolojisinde kullanılan malzemeler artık çok daha çeşitli, daha kullanışlı ve endüstrinin sağladığı imkanlarla geçmişe oranla çok daha etkilidir. Öte yandan bu gelişmişlik ve etkinlik seviyesi hala daha üretilmek istenen betonun özelindeki ihtiyaçlara bağlıdır. Fakat bu doğal sınırlama betonun planlanan hizmet ömründeki performans gelişiminin, dayanıklı oluşunun, sürdürülebilirliğinin, çevreci ve bütçe dostu oluşu beklentilerinin önüne geçmemektedir. Buna göre çimento türleri, agregalar ve agregaların nem içerikleri ile beton karışımlarındaki hava içerikleri ilk sıradaki önemini korumakla beraber beton karışım tasarımları, uçucu kül, mikro silika, nano silika, öğütülmüş yüksek fırın cürufu, elyaf, cam, ahşap vb. ilaveler ile de ağırlıkça ve/veya beton karışım oranlarınca ilgili öncü test sonuçlarına göre yeniden düzenlenebilmekte ve yeni beton matrisleri elde edilebilmektedir. İlaveten su, agrega, cam, fiber, ahşap vb. gibi geri dönüştürülebilir malzemeler ve hatta canlı organik malzemeler bile son zamanlarda beton endüstrisinin odaklandığı konulardandır. Bu çerçevede özel projeler için hazırlanan özel betonların ilgili test sonuçlarına bağlı olarak yeni yapı malzemelerinin kullanılması düşüncesi de ortaya çıkabilmektedir. Ancak, beton karışım tasarımlarını ve/veya yapı malzemelerini test sonuçlarına göre değiştirmek istemek, özellikle zaman ve bütçe dengesi açısından oldukça zor olabilir. Bu nedenle hazır beton dünyasında en çok kullanılan beton türü, hemen hemen tüm hazır beton endüstrisinin de uyum sağladığı Normal Ağırlıklı Beton'lardır (NAB). Bu gerçeği düşünerek, sahip olunan bunca imkâna rağmen, doğru beton karışım tasarımını belirlemek hala daha zamana, malzemeye ve dış etkenlere bağlı olarak pek çok konuda farklılık göstermektedir. Bu düşüncede, genel olarak, küp, silindir ve dikdörtgen prizma şeklindeki sertleşmiş beton numuneleri, betona dair ileri tetkikler ve tahminler yapılabilmesi adına basınç dayanımı, yarmada çekme dayanımı ve elastisite modülü gibi mekanik özelliklerin sonuçlarını elde etmek için erken yaşta teste tabi tutulur. Bu test sonuçlarına göreyse betonun zamana ve malzemeye bağlı performansları için sonuçları tahmin etmek ve bu beton karışım tasarımlarının standartlara ve yönetmeliklere uygun olup olmadığına karar vermek için istatistiksel yöntemler, zaman ve maliyet verimliliği ile derin çözümlemeler yapabilme açısından birçok yönden öne çıkmaktadır. Çünkü bu istatistiksel yöntemlerden biri olan regresyon analizinde yeterli sayıda beton numunesi ile tahribatlı veya tahribatsız yöntemler kullanmadan betonun mekanik bir özelliğini tahmin etmek mümkündür. Bu sayede yer, zaman ve maliyet açısından kazanç da elde edilir. Regresyon analizinden daha ileri bir adım olarak, bir veriyi tahmin etmek için Sinir Ağı Uyumu (SAU) gibi makine öğrenim yöntemlerinin kullanılması günümüzde iyice yaygınlaşmıştır. Verilerin istatistiksel tahmininden önce, beton karışım tasarımının güncel ve geçerli olmasına dikkat edilmelidir. Ayrıca beton döküm işleminden gerçeğe yakın test sonuçları elde edilebilmesi için betonun döküldüğü yerdeki atmosfer koşulları da çok önemlidir. Bu nedenle taze beton numuneleri için çökme, yayılma, birim ağırlık, hava içeriği, ortam sıcaklığı, terleme, adyabatik süreç, priz süresi vb. konularda çalışma sahası içerisinde deneyler yapılır. Bu tez çalışması içinse 33 farklı beton karışım tasarımı kullanılmıştır. Bu karışım tasarımlarında iki farklı tipte ince agrega (İNA) ve üç farklı tipte iri agrega (İRA) kullanılmıştır. Hazırlanan bu tasarımlar için bağlayıcı malzeme olarak, uçucu kül (UK) + mikro silika (MS) ve öğütülmüş granüle yüksek fırın cürufu (ÖGYFC) ile beş ayrı çimento (Ç) türü bulunmaktadır. Bu çerçevede hazırlanan numuneler, numune alım işlemleri tamamlandıktan hemen sonra betonun ilk priz süreci için çalışma alanlarında güvenli yerlerde muhafaza edilmiştir. Akabinde ise ilk priz süreci tamamlanan beton numuneleri 0,5, 1, 2, 3, 7, 14 ve 28 günlük uluslararası standartlarda sertleşmiş beton testlerinin yapılması için laboratuvar ortamına aktarılmıştır. Basınç dayanımı, yarmada çekme dayanımı ve elastisite modülü testleri sonucu elde edilen numuneler istatistiksel olarak çözümlemeler ve tahminler için hazırlanmıştır. Bu tez çalışmasında istatistiksel çözümleme modellerinden biri olarak, elde edilen tahmin sonuçlarını gerçek verilere yakınsamaya (eğri çizme) dayanan regresyon analizi kullanılmıştır. Beton numunelerinin yaş (zaman), karışım bileşenlerinin birim ağırlıkları, karışım bileşenlerinin birim hacimleri, karışım oranları ve/veya tahmin yöntemlerinin katsayıları vb. özellikleri tek tek ve toplu olarak incelenmiştir. Buna bağlı olarak da tahmin edilen verilerin beton karışım tasarımlarıyla olan ilişkileri, doğrusal veya doğrusal olmayan denklemler ile hem tek hem de çok değişkenli regresyon modelleri ile çalışılmıştır. Sonuçların tahmini için kullanılan denklemlerin yanı sıra, R (Korelasyon Katsayısı), R² (Belirginlik Katsayısı), R²adj (Ayarlanmış Korelasyon Katsayısı), Hataların Kareler Toplamı (HKT), Ortalama Kök Hata (OKH), Hata Karelerin Ortalama Kökü (HKOK) gibi diğer istatistiksel sonuçlara ulaşılmış, bu sonuçlar bir silsile içerisinde derlenmiş ve test sonuçları ile tahmin edilen sonuçlar arasındaki ilişkiler irdelenmiştir. Tek değişkenli regresyon analizlerinde kullanılan modellerin doğası gereği tek bir değişken dikkate alınmış ve sonuçlar buna bağlı olarak tahmin edilmiştir. Değerlendirmeye alınan değişken sayısı kere her bir karışım tasarımı için tek tek analiz yapılmıştır. Bu gibi tek tek analizler mümkün olsa da gerçek ve tahmini sonuçlarda pek çok ardışık çalışma yapmak fazlaca zaman kaybına sebep olmuştur. Bu nedenle sonuçların öngörülmesi, bu çalışmada olduğu gibi çok değişkenli regresyon analizi ya da buna benzer şekilde daha karmaşık analizlere ihtiyaç duyulmuştur. Daha karmaşık analizlerden önce çoklu regresyon analizleri ile değişkenler toplu ve/veya kombinasyonlar halinde çalışılmıştır. Bu kombinasyonların sayıca çokluğu çalışmayı makine öğrenmesi sürecine yönlendirmiş ve makine öğrenmesi sürecinde girdi (karışım tasarımları) değerler ile hedef (gerçek) değerlerin sonuçlara (algoritma sonuçları) götüren gizli katmanlardaki etkisi görülmüştür. Bu gizli katmanların tek tek hesaplamalar ile tespit edilmesi çok karmaşık olmakla birlikte makine öğrenmesi sürecinde gizli katmanlara doğrudan adım atılmadan sadece girdi (karışım tasarımları) değerler ve hedef veriler (gerçek) değerler kullanılmıştır. Öte yandan, gizli katmanların sayısının arttırılmasının, tahmin sonuçlarının hedef değerlerden uzaklaştırdığı anlaşılmıştır. Bu nedenle, daha doğru sonuçlar elde etmek için algoritmalardaki örnek sayıları mümkün olduğunca değiştirilirken gizli katman sayıları da artırılmıştır. Ancak örneklerin ve/veya gizli katmanların sayılarının aynı anda arttırılmasının istenmeyen düşük tahmin sonuçlarına neden olduğu ortaya çıkmıştır. Hedef değerleri tahmin etmek adına makine öğrenmesi ile sonsuz sayıda deneme yapılabileceği de ayrıca saptanmıştır. Fakat sonsuz sayıda deneme yapılması mümkün olmayacağı için yapılan tüm denemeler önce kaydedilmiş ve daha sonra SAU makine öğrenmesi sürecinde Levenberg-Marquardt algoritmasında en iyiden en kötüye ve/veya tam tersi şeklinde değerlendirilmiştir. İlave olarak SAU makine öğrenmesi sürecinde R ve OKH değerleri ile x – y düzlemi içerisinde deneme, doğrulama, test ve nihai korelasyon sonuçları alınmıştır. Son olaraksa bu çerçevede, istatistiksel sonuçların karışım tasarımlarına özgü fiziksel anlamlarla ilişkilendirilmesi için en iyi sonuçlar paylaşılmıştır.

Özet (Çeviri)

The developments in concrete technology are becoming more important and effective with the help of innovative approaches on materials and computer sciences and their applications. With advanced calculation methods, computing programs/softwares and supercomputers, the mechanical behavior of concrete is better understood in many aspects, today. In addition, the materials used in concrete technology are now much more diverse, more useful, and much more effective than in the past by the opportunities provided from the industry. On the other hand, this level of development and effectiveness still depends on specific needs of concrete. However, this natural limitation does not prevent performance improvement, durability, sustainability, environmental and budget-friendly expectations of concrete in a planned service life. Accordingly, while cement types, aggregates, moisture contents of aggregates, and air contents in concrete mixtures maintain their importance, the concrete mixture designs can be rearranged by weight and/or concrete mixing ratios according to the relevant pioneer test results, and new concrete matrices can be obtained by using fly ash, micro silica, nano silica, ground blast furnace slag, fiber, glass, wood, etc. Moreover, recyclable materials such as water, aggregate, glass, fiber, wood, etc. and even living organic materials are the topics that the concrete industry has recently focused on. In this context, the idea of using new construction materials may arise depending on relevant test results of special concretes produced for special projects. However, willing to change the concrete mixture designs and/or building materials based on test results can be quite difficult, because of time and budget concerns. For this reason, the most used type of concrete in the ready mixed concrete world is normal weight concrete (NWC), which is adapted by the concrete industry. Considering this fact, despite all the possibilities, determining a right concrete mixture design still differs in many ways depending on time, material, and external factors. In this idea, in general, specimens of hardened concrete in the form of cubes, cylinders, and rectangular prisms are tested at an early age to obtain results of mechanical properties such as compressive strength, splitting tensile strength, and modulus of elasticity so that further investigations and predictions of the concrete can be made. According to these test results, statistical methods come to the fore in many cases in terms of time and cost efficiency, and deep analysis to predict results of concrete performance depending on time and material to decide whether these concrete mixture designs comply with standards and regulations. Because, in regression analysis, which is one of these statistical methods, it is possible to predict a mechanical property of concrete without using destructive or non-destructive methods with enough concrete samples. In this way, the gains are obtained in terms of space, time, and cost. As a further step from the regression analysis, the use of machine learning methods such as Neural Net Fitting (NNF) to predict a data has become quite common today in the concrete world. Before statistical estimation of a data set, the concrete mixture designs should be cared for their validations. Furthermore, the atmospheric conditions at work sites where the concrete is casted are very important to obtain realistic test results from the concrete casting process. Therefore, the experiments such as slump, flow, unit weight, air content, ambient temperature, bleeding, adiabatic process, setting time etc. for fresh concrete samples can be carried out in the work fields. For this thesis, fresh concrete samples were taken for 33 different concrete mixture designs in 150X300 mm cylindrical sample containers in the numbers allowed by national standards and regulations. Besides, two distinct types of fine aggregates (FA) and three diverse types of coarse aggregates (CA) were used in these mixture designs with fly ash (FA) + micro silica (MS), ground granulated blast furnace slag (GGBS), and five different cement (C) types were used as binding material for these designs. The samples prepared within this framework were also kept in safe places in the worksites for the first setting process of the concrete, right after the sampling process was completed. Subsequently, the concrete samples, when the initial setting process were completed, were transferred to the laboratory environment for the hardened concrete tests in the international standards for 0.5, 1, 2, 3, 7, 14 and 28 days. And, the samples were prepared for the compressive strength, splitting tensile strength and modulus of elasticity tests for statistical analysis and estimations. In this thesis, as one of the statistical analysis models, regression analysis based on convergence of the obtained estimation results to real data (drawing curves) are used. The properties such as age of concrete samples (time), unit weights of mixture components, unit volumes of mixture components, mixing ratios and/or coefficients of an estimation methods etc. were analyzed individually and cumulatively. Accordingly, the relations of the predicted data with the concrete mixture designs are studied with linear or non-linear equations in univariate and multivariate regression models. In addition to the equations used for the estimation of the test results, other statistical results such as R (Correlation of Coefficient), R² (Coefficient of Determination), R²adj (Adjusted Correlation of Determination), Sum of Squared of Errors (SSE), Mean Square Error (MSE), and Root Mean Square Error (RMSE) were obtained. The relationships between the actual test results, and predicted results were examined at the end. Due to the nature of the models used in the univariate regression analysis, only one variable was considered, and the results were estimated accordingly. The number of variables taken into consideration was analyzed individually for each mixture design. Although such individual analyzes were possible, many sequential studies on the actual, and estimated results had been the cost of time. Therefore, predicting the actual results required more complex analyzes like the multivariate regression analysis in this study. Before the more complex analyses, the variables were studied one-by-one and/or in combinations for the multiple regression analyses. The substantial number of these combinations let the study to the machine learning process, and the effect of hidden layers between the input (mixture designs) values and the target (test) values four output values (algorithm results) were observed in the machine learning process. Although it was really complicated to detect these hidden layers by the individual calculations, only the input values, and target data values were chosen in the machine learning procedure without stepping directly into the hidden layers. On the other hand, it was understood that increasing the number of hidden layers deviated the estimation results from the target values. Therefore, to obtain more accurate results, the number of samples in the machine learning algorithms were changed as much as possible, while the number of hidden layers was increased. Yet, it was revealed that increasing the number of samples and/or hidden layers at the same time caused undesirable estimation results. It was also determined that an infinite number of experiments could be made with the machine learning to predict the target values. But, since it was not possible to conduct an infinite number of trials one-by-one, all trials were recorded first, and then evaluated from the best to the worst and/or in the Levenberg-Marquardt (LM) algorithm form the NNF machine learning process. In addition to this, R and MSE values in the NNF machine learning process, training, validation, test, and all correlation results were displayed in the x - y planes. Finally, in this framework, the best results were shared in association with the statistical results with physical meanings specific to mixture designs.

Benzer Tezler

  1. Tez No

    14097

    Isıl işlem görmüş hafif betonların değişken yükler altında zamana bağlı davranışları

    Influence of heat treatment on the time dependent behavior of lightweight concrete under variable stresses

    KEMALETTİN YILMAZ

    Doktora

    Türkçe

    Türkçe

    1989

    İnşaat Mühendisliğiİstanbul Teknik Üniversitesi

    PROF.DR. SAİM AKYÜZ

  2. Tez No

    577930

    Cam lifi takviyeli betonlarda olgunluk indeksi yöntemi ile eğilme ve basınç dayanımlarının tahmin modelinin geliştirilmesi

    Development of predicting model of bending and compressive strength with maturity method in glass fiber reinforced concrete

    MUHAMMED MARAŞLI

    Yüksek Lisans

    Türkçe

    Türkçe

    2019

    İnşaat MühendisliğiDüzce Üniversitesi

    Kompozit Malzeme Teknolojileri Ana Bilim Dalı

    PROF. DR. SERKAN SUBAŞI

  3. Tez No

    810443

    Deprem yıkıntı atığı kullanılarak üretilen çevre dostu betonların sürdürülebilir kalkınma ve döngüsel ekonomi açısından çok yönlü değerlendirilmesi

    Multi-perspective evaluation of eco-friendly concretes produced using earthquake demolition waste in terms of sustainable development and circular economy

    MUHAMMED ULUCAN

    Doktora

    Türkçe

    Türkçe

    2023

    İnşaat MühendisliğiFırat Üniversitesi

    İnşaat Mühendisliği Ana Bilim Dalı

    PROF. DR. KÜRŞAT ESAT ALYAMAÇ

  4. Tez No

    145026

    The significance and the contribution of 6+1 traits of writing to the success of the students in writing courses in English language teaching

    Yazmanın 6+1 özelliğinin İngilizce öğretiminde yazılı anlatım derslerindeki öğrenci başarısına katkısı ve önemi

    ÖZLEM YAZAR

    Yüksek Lisans

    İngilizce

    İngilizce

    2004

    Eğitim ve ÖğretimGazi Üniversitesi

    İngiliz Dili Eğitimi Ana Bilim Dalı

    YRD. DOÇ. DR. PAŞA TEVFİK CEPHE

  5. Tez No

    419779

    Subklinik hipotiroidide aort elastisitesinin değerlendirilmesi

    Evaluation of aortic elasticity in subclinical hypothyroidism

    SEVİL ÖZKAN

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2005

    Endokrinoloji ve Metabolizma Hastalıklarıİstanbul Üniversitesi

    Dahiliye Ana Bilim Dalı

    PROF. DR. DURSUN DUMAN

Geri Dön