Lifli geopolimer betonların mekanik özelliklerinin makine öğrenmesi kullanılarak analizi
Machine learning-based analysis of mechanical properties of fibrous geopolymer concrete
- Tez No: 896947
- Danışmanlar: DOÇ. DR. AHMET EMİN KURTOĞLU
- Tez Türü: Yüksek Lisans
- Konular: İnşaat Mühendisliği, Civil Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: Türkçe
- Üniversite: Iğdır Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: İnşaat Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 159
Özet
İnşaat sektöründe, Portland çimentosu (OPC) ekonomik avantajları ve yaygın kullanımı ile bilinir fakat çimento üretim sürecinde, önemli miktarda atık ve yüksek oranlarda karbon dioksit (CO2) emisyonuna neden olmaktadır. Bu durum, çevresel sürdürülebilirlik açısından ciddi endişelere yol açmaktadır. Buna karşın, geopolimer beton (GPC), sanayi atıklarının kullanımı ve üretim süreçlerinde düşük CO2 emisyonları ile doğal kaynakların daha verimli kullanılmasını sağlayarak çevresel etkileri önemli ölçüde azaltma potansiyeline sahiptir. Bu nedenle, GPC'nin, çevresel sürdürülebilirlik hedefleri doğrultusunda, gelecekte OPC'nin yerini alması ve inşaat sektöründe daha geniş bir kullanım alanına sahip olması beklenmektedir. Bu tezde, farklı araştırmalara dayalı olarak çeşitli geopolimer beton karışımları detaylı bir şekilde incelenmiştir. İnceleme; fiber türü, fiber içeriği, fiberin geometrik özellikleri (uzunluk, çap, uzunluk/çap oranı, fiber hacim oranı), bağlayıcı türü, bağlayıcı miktarları, ince agrega oranı, kaba agrega oranı, kür sıcaklığı, kür yöntemi, alkali aktivatör/bağlayıcı oranı ve alkali aktivatör oranı gibi parametreler dikkate alınarak gerçekleştirilmektedir. Bu parametrelerin deney sonuçlarındaki basınç ve eğilme dayanımları üzerindeki etkileri detaylı bir şekilde değerlendirilmiştir. Bu çalışmada, 20 farklı makaleden elde edilen veriler kullanılmıştır. Basınç dayanımını tahmin etmek amacıyla toplam 227 deney verisi ve eğilme dayanımını tahmin etmek için toplam 186 deney verisi toplanmıştır. Toplanan bu veriler, ön işleme aşamalarında eksik verilerin düzeltilmesi, aykırı değerlerin belirlenmesi, özniteliklerin ölçeklendirilmesi ve veri dönüşüm işlemlerinden geçirilmiştir. Ardından, makine öğrenmesi teknikleri (Multi-Layer Perceptron (MLP), Rastgele Orman, Gradient Boosting (Gboost), XGBoost, LightGBM ve Extra Trees Regressor) kullanılarak veriler analiz edilmiştir. Bu süreç sonucunda çeşitli modeller oluşturulmuş ve bu modellerin performansları,R2 (Tanımlayıcılık katsayısı), COV (Kovaryans), ortalama hata karekökü (Root Mean Squared Error- RMSE) ve standart sapma (STD) gibi istatistiksel yöntemler kullanılarak doğrulanmıştır. Basınç ve eğilme dayanımlarının tahminine yönelik modeller arasında en yüksek doğruluk oranı, R2 değeri 0.99 olan ve ayrıca hata değerleri oldukça düşük bulunan Gboost modelinde elde edilmiştir. Bu durum, Gboost modelinin basınç ve eğilme dayanımının tahmini konusunda oldukça üstün bir performans sergilediğini göstermektedir. Bu çalışmada elde edilen modelin gerçek sonuçlara oldukça yakın olması, gelecekteki araştırmalarda laboratuvar koşullarına olan ihtiyacı azaltarak hem ekonomik hem de zamansal açıdan tasarruf sağlayabilecektir.
Özet (Çeviri)
In the construction industry, Portland cement (OPC) is known for its economic advantages and widespread use. However, the cement production process generates significant waste and high levels of carbon dioxide (CO2) emissions, raising serious concerns about environmental sustainability. In contrast, geopolymer cement (GPC) has the potential to significantly reduce environmental impacts by facilitating more efficient use of natural resources through the incorporation of industrial waste and lower CO2 emissions during the production process. For this reason, GPC is expected to replace OPC in the future, aligning with environmental sustainability goals and achieving broader use in the construction industry. In this thesis, various geopolymer concrete mixtures were investigated in detail, drawing on a range of studies. The investigation focused on parameters such as fiber type, fiber content, fiber geometrical properties (length, diameter, length/diameter ratio, fiber volume ratio), binder type, binder amounts, fine aggregate ratio, coarse aggregate ratio, curing temperature, curing method, alkali activator/binder ratio, and alkali activator ratio. The effects of these parameters on compressive and flexural strengths were evaluated in detail based on the test results. A total of 227 data points were collected to predict compressive strength, and 186 data points were collected to predict flexural strength, using data from 20 different studies. These collected data were subjected to preprocessing stages such as correction of missing data, identification of outliers, scaling of attributes, and data transformation. Subsequently, machine learning techniques—including Multi-Layer Perceptron (MLP), Random Forest, Gradient Boosting (GBoost), XGBoost, LightGBM, and Extra Trees Regressor—were used to analyze the data. Various models were created as a result, and their performance was verified using statistical methods such as R² (coefficient of determination), COV (covariance), root mean squared error (RMSE), and standard deviation (SD). Among the models for predicting compressive and flexural strengths, the highest accuracy was achieved with the GBoost model, which had an R² value of 0.99 and very low error values. This demonstrates that the GBoost model offers superior performance in predicting compressive and flexural strengths. The model developed in this study is highly accurate, closely matching actual results, and may reduce the need for laboratory testing in future research, resulting in both cost and time savings.
Benzer Tezler
- Kauçuk lif katkılı geopolimer betonların mekanik ve durabilite özelliklerinin araştırılması
Investigation of mechanical and durability properties of geopolymer concrete with rubber fiber
ARİF YILMAZOĞLU
Doktora
Türkçe
2022
İnşaat MühendisliğiKocaeli Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
DOÇ. DR. SALİH TANER YILDIRIM
- Bitkisel lif takviyeli geopolimer beton plak elemanların mekanik özelliklerinin incelenmesi
Investigation of the mechanical properties of vegetable fiberreinforced geopolymer concrete plate elements
GAMZE CENGİZ
Yüksek Lisans
Türkçe
2023
İnşaat Mühendisliğiİnönü Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
DOÇ. DR. YAŞAR AYAZ
- Alkalilerle aktive edilmiş yüksek fırın cürufu bağlayıcılı lifli kompozit geliştirilmesi
Development of a fiber reinforced composite with alkali activated ground granulated blast furnace slag
SERDAR AYDIN
Doktora
Türkçe
2010
Mühendislik BilimleriDokuz Eylül ÜniversitesiYapı Malzemesi Ana Bilim Dalı
PROF. DR. BÜLENT BARADAN
- Seramik lifli geopolimer beton plakların patlama etkisinde mekanik davranışının incelenmesi ve modellenmesi
Investigation and modeling of the mechanical behavior of ceramic fiber added geopolymer concrete plates in explosion effect
ARAS DALĞIÇ
Yüksek Lisans
Türkçe
2023
İnşaat MühendisliğiMunzur Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ BERİVAN YILMAZER POLAT
- Farklı lif içeriğine sahip yüksek fırın cürufu, obsidyen ve metakaolin tabanlı geopolimer harçların ve betonların incelenmesi
Investigation of geopolymer mortars and concretes based on blast furnace slag, obsidian, and metakaolin with different fiber content
ZAFER KURT
Doktora
Türkçe
2023
İnşaat MühendisliğiRecep Tayyip Erdoğan Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
PROF. DR. İLKER USTABAŞ