Contribution of Machine Learning Methods to the Construction Industry: Prediction of Compressive Strength

Abstract

Yüksek performanslı beton (high performance concrete, HPC)'un eksenel basınç dayanımının yüksek doğrulukla tahmini son derece önemli bir konudur. Geçtiğimiz yıllarda, çeşitli gelişmiş modelleme yaklaşımları ve metodolojileri kullanılarak farklı başarı oranları ile HPC basınç dayanımı tahminlemeleri uygulanmıştır. Bu çalışmada farklı karışım oranları kullanılarak HPC'lerin eksenel basınç dayanımının tahmininde uygun bir makine öğrenmesi yöntemi araştırılmıştır. Son yıllarda makine öğrenmesinde oldukça gelişmekte olan Yapay Sinir Ağları (YSA) ve Destek Vektör Makineleri (DVM)'nin bu tahminde uygulanabilirliği incenmiş ve son derece yüksek tahmin sonuçları elde edilmiştir. Bu çalışmada DVM'lerin tahmin başarısının YSA'lara oranla daha tatmin edici sonuçlar verdiği görülmüştür. DVM yönteminin araştırma laboratuvarları ve beton firmaları tarafından dayanım tahmininde alternatif bir yöntem olarak etkin bir şekilde kullanılabileceği sonucuna varılmıştır.Highly accurate prediction of high performance concrete (HPC) compressive strength is very important issue. In recent years, a variety of modeling approaches and methodologies have been applied to predict HPC's compressive strength from a wide range of variables, with different ratios of success. In this study, an appropriate machine learning method, using different mixing ratios for the prediction of compressive strength of HPC, is investigated. In recent years, rather developing machine learning methods; Artificial Neural Networks (ANN) and Support Vector Machines (SVM)'s applicabilities for the prediction, handled in this study, are being investigated and extremely high results were obtained. In this paper, it's obtained that prediction success of SVM has been found more satisfactory than ANN's. It is concluded that the SVM's can be used effectively as an alternative method by research labs and the concrete firms for predicting the strength. Anahtar kelimeler: Yüksek performanslı beton, Yapay sinir ağları, Destek vektör makineleri

Estimation of burned areas in forest fires using artificial neural networks

“…The "min-max" normalization method, which is widely used in the literature, was used to normalize the data. Here, v R represents the actual value of the input, v min represents the minimum input value, and v max represents the maximum input value (Equation 2) [35,36,38].…”

“…3 / 2020 / Bogotá D.C., Colombia Universidad Cooperativa de Colombia the output layer, and the layer between the input and output layers is called the hidden layer. The number of neurons in the input and output layers is determined according to the needs of the problem addressed[34][35][36].…”

Yapay Zekâ Modelleri̇ İle Betonarme Yapilara Ai̇t Enerji̇ Performans Siniflarinin Tahmi̇ni̇

“…Düğümler arasındaki her bağlantı ise bir ağırlık değerine sahiptir. Hücreler bu ağırlıklara göre işlem görmekte ve oluşacak bilgiler de ağırlık değerlerine göre şekil almaktadırlar (Erdal, 2015).…”

İşletmeler için Personel Yemek Talep Miktarının Yapay Sinir Ağları Kullanılarak Tahmin Edilmesi

“…Bu noktada, normalize sürecinde min-max yöntemi kullanılmıştır. Burada, vR girdinin gerçek değerini, vmin minimum girdi değerini, vmax ise maksimum girdi değerini ifade etmektedir (Eşitlik 8)[19,33,34].…”