Geri Dön

Yapay öğrenme algoritmaları ile farklı beton sınıflarının basınç dayanımlarının tahmini

Prediction of compressive strengths of different concrete classes by artificial learning algorithms

PDF İndir

  1. Tez No: 924275
  2. Yazar: FATMA KARS
  3. Danışmanlar: PROF. DR. YILMAZ KOÇAK, DOÇ. DR. GIYASETTİN ÖZCAN
  4. Tez Türü: Yüksek Lisans
  5. Konular: İnşaat Mühendisliği, Civil Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2025
  8. Dil: Türkçe
  9. Üniversite: Düzce Üniversitesi
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: İnşaat Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 80

Özet

Hazır beton üretimiyle birlikte inşaat sektöründe kullanılan betonun kalitesi her geçen gün artmaktadır. Betonun kalitesi doğrudan basınç dayanımıyla ilgilidir ve ilgili testler emek yoğun ve zaman alıcıdır. Bu nedenle beton basınç dayanımının tahmini için sayısal simülasyonlar, regresyon analizleri, yapay zeka tabanlı öğrenme algoritmaları kullanılmaktadır. Fakat, beton içerisindeki farklı malzeme türleri arasındaki doğrusal olmayan ve karmaşık korelasyon, beton basınç dayanımlarının arzu edilen seviyede tahmin edilmesini güçleştirmektedir. Bu sebeple yapay sinir ağları, uyarlamalı ağ tabanlı bulanık çıkarım sistemi, Gradyan Artırma (Aşırı Gradyan Artırma, Hafif Gradyan Artırma, Kategorik Artırma) gibi yapay öğrenme algoritmaları, inşşat teknolojisindeki araştırmalarda oldukça yoğun olarak kullanılmaktadır. Bu nedenlerden yola çıkarak yapılan çalışmada, C16/20, C20/25, C25/30, C30/37, C35/45 ve C40/50 beton sınıflarında kullanılan malzemeler giriş değişkenleri olarak kullanılarak üç YSA, üç ANFIS ve üç Gradient Boosting modeliyle bu betonların basınç dayanımları tahmin edilmektedir. Modellerde, her bir beton sınıfı için bir hazır beton santralinde hazırlanan ve şantiyeye gönderilen, 20 ayrı beton dökümünden numuneler alınmıştır. Bu numunelerden ikişer örnek alınarak, 7. ve 28. hidaratasyon günlerinde basınç dayanımı deneyleri yapılmıştır. Elde edilen toplam 480 verinin %70'i eğitim, %30'u ise test için kullanılmıştır. Tahmin edilen sonuçların güvenilirliği için literatürde en sık kullanılan R2, MAPE ve RMSE istatiksel yöntemlerinden faydalanılmıştır. Ayrıca gerçek sonuçlar ile tahmin edilen sonuçların karşılaştırılması için her bir beton sınıfı ve hidratasyon günü için ayrı ayrı döküm esnasında alınan tüm örneklerinin ortalaması alınmıştır. Sonuç olarak elde edilen gerçek sonuçlar ile tüm modellerin test verilerinin birbirlerine çok yakın olduğu belirlenmiştir. Buna göre C16/20, C20/25, C25/30, C30/37, C35/45 ve C40/50 beton sınıflarının basınç dayanımlarının 7 gün için sırasıyla mutlak değer olarak %0,930 ile %0,116, %1.886 ile %0,562, %1,194 ile %0,582, %2,071 ile %1,251, %1,170 ile %0,278 ve %1.275 ile %0,360 arasında hatayla; 28 gün için sırasıyla %1,896 ile %0,927, %1,450 ile %0,364, %1,030 ile %0,699, %0,749 ile %0,050, %0,727 ile %0,199 ve %0,808 ile %0,774 arasında hatayla tahmin edilebilmiştir. Dolayısıyla deneylerden elde edilen sonuçlarla tahmin sonuçları arasında iyi bir uyum olduğu ve oluşturulan tüm modellerle“yüksek doğruluk derecesinde”ya da“çok iyi”basınç dayanımlarının tahmin edilebileceği kanaatine varılmıştır.

Özet (Çeviri)

With the production of ready-mixed concrete, the quality of concrete used in the construction sector is increasing day by day. The quality of concrete is directly related to its compressive strength and related tests are labour intensive and time consuming. Therefore, numerical simulations, regression analyses, artificial intelligence-based learning algorithms are used to predict the compressive strength of concrete. However, the non-linear and complex correlation between different types of materials in concrete makes it difficult to predict the compressive strength of concrete at the desired level. For this reason, artificial learning algorithms such as artificial neural networks, adaptive network-based fuzzy inference system, and Gradient Boosting (Extreme Gradient Boosting, Light Gradient Boosting, Categorical Boosting) are used extensively in research in construction technology. In the models, for each concrete class, samples were taken from 20 separate concrete pours prepared at a ready-mixed concrete plant and delivered to the construction site. Two samples were taken from these specimens and compressive strength tests were performed on the 7th and 28th hydration days. Of the total 480 data obtained, 70% for training and 30% for testing were used. For the reliability of the predicted results, R2, MAPE and RMSE statistical methods most frequently used in the literature were utilised. In addition, in order to compare the actual results with the predicted results, the average of all samples taken during casting was taken for each concrete class and hydration day separately. As a result, it was determined that the actual results obtained and the test data of all models were very close to each other. Accordingly, the compressive strengths of concrete classes C16/20, C20/25, C25/30, C30/37, C35/45 and C40/50 were determined for 7 days with an error between 0.930% and 0.116%, 1.886% and 0.562%, 1.194% and 0.582%, 2.071% and 1.251%, 1.170% and 0.278% and 1. 275% to 0.360%, 1.896% to 0.927%, 1.450% to 0.364%, 1.030% to 0.699%, 0.749% to 0.050%, 0.727% to 0.199% and 0.808% to 0.774% for 28 days, respectively. Therefore, it is concluded that there is a good agreement between the results obtained from the experiments and the prediction results and that the compressive strengths can be predicted with“high accuracy”or“very good”with all the models created.

Benzer Tezler

  1. Tez No

    712701

    Yapılarda kullanılan betonun basınç dayanımı deney sonuçlarının makine öğrenme teknikleri ile tahmin edilmesi

    Prediction of compressive strength experiment results of concrete used in buildings using machine learning techniques

    MELİKE DEMİR

    Yüksek Lisans

    Türkçe

    Türkçe

    2022

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolFırat Üniversitesi

    Ekobilişim Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ AHMET ŞENPINAR

  2. Tez No

    817952

    A new approach to increase variability and playability via game blending

    Oyun harmanlama yoluyla çeşitliliği ve oynanabilirliği geliştirmek için yeni bir yaklaşım

    ÖMER FARUK KARAKAYA

    Yüksek Lisans

    İngilizce

    İngilizce

    2023

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolOrta Doğu Teknik Üniversitesi

    Bilişim Sistemleri Ana Bilim Dalı

    DOÇ. DR. ELİF SÜRER

    DOÇ. DR. AYSU BETİN CAN

  3. Tez No

    682476

    Yapay öğrenme algoritmalarını kandırmak

    Deception of machine learning algorithms

    FATMA GÜMÜŞ

    Doktora

    Türkçe

    Türkçe

    2021

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolYıldız Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DOÇ. DR. MEHMET FATİH AMASYALI

  4. Tez No

    270509

    Localized multiple kernel algorithms for machine learning

    Yapay öğrenme için yerel çoklu çekirdek algoritmaları

    MEHMET GÖNEN

    Doktora

    İngilizce

    İngilizce

    2010

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBoğaziçi Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. ETHEM ALPAYDIN

  5. Tez No

    630336

    Akut lenfoblastik lösemi hücrelerinin derin öğrenme yöntemleri ile sınıflandırılması

    Classification of acute lymphoblastic leukemia cells using deep learning methods

    AYŞE BERİKA VAROL MALKOÇOĞLU

    Yüksek Lisans

    Türkçe

    Türkçe

    2020

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolOndokuz Mayıs Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ İSMAİL İŞERİ

Geri Dön