Prediction of rheological properties of sustainable building materials using machine learning algorithms for in-situ applications
Yerinde uygulamalar için makine öğrenimi algoritmaları kullanılarak sürdürülebilir yapı malzemelerinin reolojik özelliklerinin tahmini
- Tez No: 900363
- Danışmanlar: DOÇ. DR. ZEYNEP BAŞARAN BUNDUR, DOÇ. DR. DERYA DENİZ
- Tez Türü: Yüksek Lisans
- Konular: İnşaat Mühendisliği, Civil Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: İngilizce
- Üniversite: Özyeğin Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: İnşaat Mühendisliği Ana Bilim Dalı
- Bilim Dalı: İnşaat Mühendisliği Bilim Dalı
- Sayfa Sayısı: 78
Özet
Makine öğreniminin (ML) hesaplama gücü açısından önemli bir ivme kazandığı göz önüne alındığında, bu çalışma, ML algoritmalarını kullanarak çimento esaslı malzemelerin reolojik özelliklerinin tahminini araştırmaktadır. Reolojik özellikler olan statik akma gerilmesi (SYS), dinamik akma gerilmesi (DYS) ve viskozite (VIS), hem malzeme davranışında hem de inşaat uygulamalarında kritik bir rol oynamaktadır. Bu bağlamda, çoklu doğrusal regresyon (MLR), karar ağacı (DT), rastgele orman (RF) ve gradyan artırma (GB) regresyon modellerini kullanarak hedef özellikler olan SYS, DYS ve VIS tahmin edilmiştir. Bu çalışmada, çeşitli çimento esaslı karışımlar üzerinde gerçekleştirilen laboratuvar deneyleriyle bir veri seti oluşturulmuştur. Karışımlar CEMII çimentosu, uçucu kül, kalsiyum oksit (CaO), su, belirli süper akışkanlaştırıcılar (SP) ve viskozite düzenleyici maddeler içermektedir. Geniş bir malzeme bileşimi yelpazesinin dahil edilmesi ile her malzemenin ML modellerine katkısının doğru bir şekilde yorumlanması sağlanmıştır. Bu çalışma, SP, CaO ve su-çimento oranının hedef özelliklerin tahmininde kritik olduğunu ortaya koymuştur. Modeller arasında, MLR ve GB modelleri reolojik özelliklerin tahmini için güvenilir sonuçlar sağlamıştır. Genel olarak, bulgular ML tekniklerinin çimento esaslı malzemelerin özelliklerini tahmin etme konusunda önemli bir potansiyele sahip olduğunu ve nihayetinde daha verimli ve sürdürülebilir uygulamaları mümkün kılabileceğini göstermektedir. Ek malzemelerin entegrasyonu ve daha gelişmiş modellerin kullanımı, belirli performans ihtiyaçlarına göre tasarlanmış karışımların geliştirilmesine katkıda bulunabilir.
Özet (Çeviri)
Given that machine learning (ML) has gained significant acceleration in terms of computational power, this study investigates the prediction of rheological properties of cementitious materials using ML algorithms. The rheological properties, static yield stress (SYS), dynamic yield stress (DYS), and viscosity (VIS) play a crucial role both in material behavior and construction practices. In this context, by incorporating regression models of multiple linear (MLR), decision tree (DT), random forest (RF), and gradient boost (GB), the target properties of SYS, DYS, and VIS were estimated. In this study, an experimental dataset was generated through laboratory testing of various cementitious mixtures, composed of CEMII cement, fly ash, calcium oxide (CaO), water, certain superplasticizers (SP), and viscosity-modifying agents. Including a wide range of material compositions ensured that the contribution of each material to the ML models could be accurately interpreted. The study revealed that SP, CaO, and water-to-cement ratio are critical for estimating the target properties. Among the models, MLR and GB models both provided reliable predictive capabilities for the rheological properties. Overall, the findings suggest that the ML techniques carry significant potential in predicting the properties of cementitious materials, ultimately leading to more efficient and sustainable practices. Integrating additional materials and using more advanced models could further benefit the development of mixtures designed for specific performance requirements.
Benzer Tezler
- Near field investigation of borehole heat exchangers
Başlık çevirisi yok
SELÇUK EROL
Doktora
İngilizce
2016
MimarlıkUniversité libre de Bruxelles (École polytechnique de Bruxelles)Prof. BERTRAND FRANCOIS
- Bitümlü sıcak karışımların deformasyon direncinin üç eksenli kayma mukavemeti deneyi ile incelenmesi
Investigation of deformation resistance of hot-mixed asphalt mixtures by triaxial shear strength test
ALTAN ÇETİN
Doktora
Türkçe
2008
İnşaat Mühendisliğiİstanbul Teknik Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
PROF. DR. EMİNE AĞAR
- Nanoakışkanların termofiziksel ve reolojik özelliklerinin yapay sinir ağları ile tahmin edilmesi
Prediction of the thermophysical and rheological properties of nanofluids with artificial neural network
KASIM ERDEM
Yüksek Lisans
Türkçe
2022
Makine Mühendisliğiİstanbul Teknik ÜniversitesiMakine Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ABDUSSAMET SUBAŞI
- Modelling wellbore hydraulics through thermal rheological sepiolite mud properties
Sondaj kuyusu hidroliğinin sepiyolit çamuru ısıl reolojik özellikleriyle modellenmesi
ALI ETTEHADI
Doktora
İngilizce
2016
Petrol ve Doğal Gaz Mühendisliğiİstanbul Teknik ÜniversitesiPetrol ve Doğal Gaz Mühendisliği Ana Bilim Dalı
DOÇ. DR. GÜRŞAT ALTUN
- A method for correcting parameters of rheological models facilitating couette type viscometers
Couette tipi viskometrelerden elde edilen reolojik model parametrelerini düzeltmek için bir yöntem
MAJED SABBAGH
Yüksek Lisans
İngilizce
2019
Petrol ve Doğal Gaz Mühendisliğiİstanbul Teknik ÜniversitesiPetrol ve Doğal Gaz Mühendisliği Ana Bilim Dalı
DOÇ. DR. GÜRŞAT ALTUN