ارزیابی آزمایشگاهی و پیش‌بینی مبتنی بر یادگیری ماشینی خواص مکانیکی ملات سیمان حاوی ژل میکرو سیلیس و پودر ضایعات سرامیکی

نوع مقاله : مقاله پژوهشی

نویسندگان

1 استادیار، گروه مهندسی عمران، واحد اصفهان(خوراسگان)، دانشگاه آزاد اسلامی، ایران

2 گروه مهندسی عمران، دانشگاه علم و فناوری مازندران، بهشهر، ایران

3 گروه مهندسی عمران، واحد اصفهان(خوراسگان)، دانشگاه آزاد اسلامی، ایران

چکیده

در این پژوهش، تأثیر جایگزینی پودر سرامیک ضایعاتی و ژل میکروسیلیس به‌عنوان جایگزین جزئی سیمان در ملات بررسی شده است. نمونه‌های آزمایشی با درصدهای مختلف جایگزینی (0، 50 و 100 درصد پودر سرامیک ضایعاتی و 0، 10، 20 و 30 درصد ژل میکروسیلیس) تهیه و خواص مکانیکی و دوام آن‌ها شامل مقاومت فشاری، کششی، خمشی، جذب آب و نفوذپذیری مورد ارزیابی قرار گرفته است. این پژوهش با هدف پیش‌بینی خواص مکانیکی ملات سیمانی حاوی ژل میکروسیلیس و پودر سرامیک ضایعاتی با استفاده از مدل‌های یادگیری ماشین (CatBoost، LightGBM و Ensemble) انجام شد. نتایج نشان داد که جایگزینی 10% ژل میکروسیلیس باعث بهبود مقاومت فشاری، کششی و خمشی می‌شود، اما افزایش این مقدار به بیش از 10% منجر به کاهش مقاومت می‌گردد. همچنین استفاده از 100% پودر سرامیک ضایعاتی در مقایسه با جایگزینی 50%، منجر به افزایش مقاومت مکانیکی و کاهش جذب آب شده است. در نهایت، ترکیب بهینه برای دستیابی به بهترین عملکرد شامل جایگزینی 20% ژل میکروسیلیس در ملات حاوی 50% پودر سرامیک ضایعاتی و 30% ژل میکروسیلیس در ملات حاوی 100% پودر سرامیک ضایعاتی است. این تحقیق نشان می‌دهد که استفاده از این ترکیبات می‌تواند به تولید ملات‌های پایدارتر و مقاوم‌تر کمک کند و گامی مؤثر در راستای توسعه پایدار صنعت ساختمان باشد. مدل Ensemble با ضریب تعیین ۹۹/۰ R² ≈و میانگین مجذور مربعات خطا ۰۱۵/۰ مگاپاسکال، دقت بالایی در پیش‌بینی‌ها نشان داد، که به نقش غالب پودر سرامیک ضایعاتی (50%) و ژل میکروسیلیس (45%) در بهبود خواص مکانیکی و کاهش تخلخل وابسته است.

کلیدواژه‌ها


عنوان مقاله [English]

Laboratory Evaluation and Machine Learning-Based Prediction of Mechanical Properties in Cement Mortar Incorporating Micro-silica Gel and Ceramic Waste Powder

نویسندگان [English]

  • Danial Nasr 1
  • Rezvan Babagoli 2
  • Pariya Rostami 3
1 Assistant Professor, Department of Civil Engineering, Khorasgan branch, Islamic Azad University, Khorasgan, Isfahan, Iran
2 Department of Civil Engineering, University of Science and Technology of Mazandaran, Behshahr, Iran
3 Department of Civil Engineering, Khorasgan branch, Islamic Azad University, Khorasgan, Isfahan, Iran
چکیده [English]

In this study, the effect of replacing waste ceramic powder and silica gel as a partial replacement of cement in mortar was investigated. Test specimens were prepared with different replacement percentages (0, 50 and 100% waste ceramic powder and 0, 10, 20 and 30% silica gel) and their mechanical properties and durability including compressive, tensile, flexural strength, water absorption and permeability were evaluated. This study aimed to predict the mechanical properties of cement mortar containing silica gel and waste ceramic powder using machine learning models (CatBoost, LightGBM and Ensemble). The results show that replacing 10% of silica gel improves compressive, tensile and flexural strength, but increasing this amount to more than 10% leads to a decrease in strength. Also, using 100% waste ceramic powder compared to 50% replacement leads to an increase in mechanical strength and a decrease in water absorption. Finally, the optimal combination to achieve the best performance includes replacing 20% silica gel in mortar containing 50% waste ceramic powder and 30% silica gel in mortar containing 100% waste ceramic powder. This research shows that the use of these compounds can help produce more stable and resistant mortars and be an effective step towards the sustainable development of the construction industry. The Ensemble model showed high accuracy in predictions with a coefficient of determination of R² ≈ 0.99 and RMSE ≈ 0.015 MPa, which is related to the dominant role of waste ceramic powder (50%) and silica gel (45%) in improving mechanical properties and reducing porosity.

کلیدواژه‌ها [English]

  • Mortar
  • silica gel
  • waste ceramic
  • compressive strength
  • mortar durability
CAPTCHA Image