Abstract:The marble industry produces large amount of waste at almost every stage of marble processing. This waste is always uncontrollably discharged into open areas. Therefore, the consumption of Waste Marble Powder (WMP) in concrete is very important and will provide both an economic gain for concrete industries and an opportunity to achieve eco-efficient concrete production. Self-Compacting Concrete (SCC) is mostly preferred concrete type which uses the WMP as powdered material. Thus, to increase WMP usage in the p… Show more
“…Ayrıca bileşime giren su ve kimyasal katkı miktarının yanı sıra Dmax da işlenebilirlik ve basınç dayanımı üzerinde oldukça etkilidir [9], [42], [43]. KYB'de en sık kullanılan işlenebilirlik testinin, çökme yayılma testi olduğu bilinmektedir [6]. Bu nedenle, model girişlerine, KYB'nin işlenebilirlik özelliğini temsil etmek için bu testin sonuçları da dahil edilmiştir.…”
Section: Veri Seti Ve çAlışmada Kullanılan Yöntemlerunclassified
“…YSA, özellikle betonun basınç dayanımını tahmin etmekte literatürde çokça kullanılan bir yöntemdir ve başarısı birçok çalışma ile ortaya koyulmuştur [5], [6], [9]- [16]. Bu çalışmada ise bir YSA modeline yer verilmesindeki amaç, GSR ve DVM modellerinin performanslarının çalışma alanında başarısını kanıtlamış bir başka modelle karşılaştırılmasıdır.…”
Section: Yapay Sinir Ağları (Ysa)unclassified
“…Ayrıca makine öğrenmesi yöntemleri kullanılarak herhangi bir hesaplama yapmadan giriş değerleri verilerek sonuçlara çok hızlı bir şekilde ulaşılabilmektedir. Böylece karmaşık matematiksel modelleri çözmeye çalışmak yerine zaman, işçilik, maliyet gibi birçok parametreden kazanç elde etmek için de makine öğrenmesi yöntemleri tercih edilebilir [1], [5], [6].…”
Section: Introductionunclassified
“…Burada, hedef özelliklerin belirlenmesi ve deneme-yanılma karışımlarının sonuçlarına göre bileşenlerin nasıl değişeceği kararları mühendis veya teknisyene aittir. Mühendis veya teknisyenin bilgi ve tecrübesi doğrultusunda sürecin seyri olumlu şekilde değişebilir [1], [5], [6].…”
Section: Introductionunclassified
“…Birçok farklı beton türünde, beton bileşenlerinden işlenebilirlik testlerinin sonuçlarını ya da basınç dayanımını tahmin eden YSA modelleri bu alanda oldukça başarılıdır [8]- [16]. Ek olarak, hedef dayanım ve/veya işlenebilirlik özelliklerinin girişlere dahil edildiği ve beton bileşiminin tahmin edildiği başarılı YSA modelleri de literatürde mevcuttur [5], [6], [17].…”
İnşaat Mühendisliği alanında yapı malzemelerinin özellikle betonun karışım tasarımını anlamak ve bazı özelliklerini tahmin edebilmek için makine öğrenmesi metotları sıkça kullanılmaya başlanmıştır. Bu bağlamda oldukça faydalı olan makine öğrenmesi metotları sayısız denilebilecek çeşitliliktedir. Bu çalışmada makine öğrenmesi metotlarından Gauss Süreç Regresyonu (GSR) ve Destek Vektör Makineleri (DVM), Kendiliğinden Yerleşen Beton (KYB)’nin basınç dayanımını tahmin etmek için tercih edilmiştir. Çalışmanın amacı, farklı makine öğrenmesi metotlarının beton performansını tahmin etmekteki başarılarının ispat edilmesi ve böylece bu metotların özellikle beton karışım tasarımı alanında kullanımının arttırılmasıdır. Bu amaçla, KYB bileşimini ve özelliklerini içeren deneysel veri seti ile DVM ve GSR modelleri geliştirilmiştir. Geliştirilen modellerin performansları hem birbirleri ile hem de bu alanda başarısını literatürdeki birçok çalışma ile ispat etmiş olan başka bir makine öğrenmesi metodu, Yapay Sinir Ağı ile karşılaştırılmıştır. Sonuçta, deneysel veri ile eğitilen ve doğrulanan DVM ve GSR modellerinin KYB’nin basınç dayanım performansını tahmin etmekte başarılı oldukları ortaya çıkmıştır. Çalışma sonuçlarına göre GSR bu problemdeki en başarılı metot olmuştur.
“…Ayrıca bileşime giren su ve kimyasal katkı miktarının yanı sıra Dmax da işlenebilirlik ve basınç dayanımı üzerinde oldukça etkilidir [9], [42], [43]. KYB'de en sık kullanılan işlenebilirlik testinin, çökme yayılma testi olduğu bilinmektedir [6]. Bu nedenle, model girişlerine, KYB'nin işlenebilirlik özelliğini temsil etmek için bu testin sonuçları da dahil edilmiştir.…”
Section: Veri Seti Ve çAlışmada Kullanılan Yöntemlerunclassified
“…YSA, özellikle betonun basınç dayanımını tahmin etmekte literatürde çokça kullanılan bir yöntemdir ve başarısı birçok çalışma ile ortaya koyulmuştur [5], [6], [9]- [16]. Bu çalışmada ise bir YSA modeline yer verilmesindeki amaç, GSR ve DVM modellerinin performanslarının çalışma alanında başarısını kanıtlamış bir başka modelle karşılaştırılmasıdır.…”
Section: Yapay Sinir Ağları (Ysa)unclassified
“…Ayrıca makine öğrenmesi yöntemleri kullanılarak herhangi bir hesaplama yapmadan giriş değerleri verilerek sonuçlara çok hızlı bir şekilde ulaşılabilmektedir. Böylece karmaş ık matematiksel modelleri çözmeye çalışmak yerine zaman, işçilik, maliyet gibi birçok parametreden kazanç elde etmek için de makine öğrenmesi yöntemleri tercih edilebilir [1], [5], [6].…”
Section: Introductionunclassified
“…Burada, hedef özelliklerin belirlenmesi ve deneme-yanılma karışımlarının sonuçlarına göre bileşenlerin nasıl değişeceği kararları mühendis veya teknisyene aittir. Mühendis veya teknisyenin bilgi ve tecrübesi doğrultusunda sürecin seyri olumlu şekilde değişebilir [1], [5], [6].…”
Section: Introductionunclassified
“…Birçok farklı beton türünde, beton bileşenlerinden işlenebilirlik testlerinin sonuçlarını ya da basınç dayanımını tahmin eden YSA modelleri bu alanda oldukça başarılıdır [8]- [16]. Ek olarak, hedef dayanım ve/veya işlenebilirlik özelliklerinin girişlere dahil edildiği ve beton bileşiminin tahmin edildiği başarılı YSA modelleri de literatürde mevcuttur [5], [6], [17].…”
İnşaat Mühendisliği alanında yapı malzemelerinin özellikle betonun karışım tasarımını anlamak ve bazı özelliklerini tahmin edebilmek için makine öğrenmesi metotları sıkça kullanılmaya başlanmıştır. Bu bağlamda oldukça faydalı olan makine öğrenmesi metotları sayısız denilebilecek çeşitliliktedir. Bu çalışmada makine öğrenmesi metotlarından Gauss Süreç Regresyonu (GSR) ve Destek Vektör Makineleri (DVM), Kendiliğinden Yerleşen Beton (KYB)’nin basınç dayanımını tahmin etmek için tercih edilmiştir. Çalışmanın amacı, farklı makine öğrenmesi metotlarının beton performansını tahmin etmekteki başarılarının ispat edilmesi ve böylece bu metotların özellikle beton karışım tasarımı alanında kullanımının arttırılmasıdır. Bu amaçla, KYB bileşimini ve özelliklerini içeren deneysel veri seti ile DVM ve GSR modelleri geliştirilmiştir. Geliştirilen modellerin performansları hem birbirleri ile hem de bu alanda başarısını literatürdeki birçok çalışma ile ispat etmiş olan başka bir makine öğrenmesi metodu, Yapay Sinir Ağı ile karşılaştırılmıştır. Sonuçta, deneysel veri ile eğitilen ve doğrulanan DVM ve GSR modellerinin KYB’nin basınç dayanım performansını tahmin etmekte başarılı oldukları ortaya çıkmıştır. Çalışma sonuçlarına göre GSR bu problemdeki en başarılı metot olmuştur.
Advanced concrete technology is the science of efficient, cost‐effective, and safe design in civil engineering projects. Engineers and concrete designers are generally faced with the slightest change in the conditions or objectives of the project, which makes it challenging to choose the optimal design among several ones. Besides, the experimental examination of all of them requires time and high costs. Hence, an efficient approach is to utilize artificial intelligence (AI) techniques to predict and optimize real‐world problems in concrete technology. Despite the large body of publications in this field, there are few comprehensive surveys that conduct scientometric analysis. This paper provides a state‐of‐the‐art review that lists, summarizes, and categorizes the most widely used machine learning methods, meta‐heuristic algorithms, and hybrid approaches to concrete issues. To this end, 457 publications are considered during the recent decade with a scientometric approach to highlight the annual trend/active journals/top researchers/co‐occurrence of key title words/countries' participation/research hotspots. In addition, AI techniques are classified into distinct clusters using VOSviewer clustering visualization to identify the application scope and their relationship through the link strength. The findings can be a beacon to help researchers utilize AI techniques in future research on advanced concrete technology.
This study investigates effects of both matrix strength and fiber type on fracture energy of strain‐hardening fiber‐reinforced concrete cementitious composite (SHFRCC) under direct tensile test. Three steel fiber types (twisted, hooked, and smooth fibers) were reinforced to three matrices with different compressive strengths, ranging from 28 to 180 MPa. In addition, a considerable number of direct tensile test results were collected to develop a machine learning‐based model for estimating fracture energy of SHFRCCs. The test results indicated that the fracture energy of SHFRCCs exhibited significant improvements with increasing matrix strength. Moreover, smooth fibers generated the highest values of fracture energy in the matrix with the highest compressive strength of 180 MPa whereas twisted did in other matrices. From the prediction results, the possibility of using a machine learning‐based model to predict the fracture energy of SHFRCCs was demonstrated.
scite is a Brooklyn-based organization that helps researchers better discover and understand research articles through Smart Citations–citations that display the context of the citation and describe whether the article provides supporting or contrasting evidence. scite is used by students and researchers from around the world and is funded in part by the National Science Foundation and the National Institute on Drug Abuse of the National Institutes of Health.