Development of an artificial neural network model to predict waste marble powder demand in eco‐efficient self‐compacting concrete

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 production of eco-efficient SCC, it is aimed in this study to develop a model that can predict WMP demand. To develop this model, Artificial Neural Network (ANN), an artificial intelligence method, was preferred. An ANN model was developed using a comprehensive dataset that included eco-efficient SCC mixture compositions, workability measurements, and compressive strengths. The ANN model with seven inputs and one output as WMP was successfully trained and managed to produce the correct outputs to both validation and test datasets.Mix design of SCC with aimed properties can be a long process compared to conventional concrete. The proposed ANN model could reduce time loss in the production process. ANN's success is expected to facilitate the production of eco-efficient SCC with WMP.

Gauss Süreç Regresyonu ve Destek Vektör Makineleri Kullanılarak Değerlendirilen Kendiliğinden Yerleşen Beton Davranışının Deneysel Veri İle Doğrulanması

“…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.…”

“…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.…”

“…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].…”

“…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].…”

“…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].…”