Prediction of compressive strength of two-stage (preplaced aggregate) concrete using gene expression programming and random forest

• DOI: 10.1016/j.cscm.2023.e02581
• Publication Date: 2023-10-15T14:05:35Z
• Authors: Hisham Jahangir Q...; Mana Alyami; R. Nawaz; Ibrahim Y. Hakeem; Fahid Aslam; Bawar Iftikhar; Yaser Gamil
• Keywords: Composite material; Portland cement; Shap analysis; Cement; Self-Compacting Concrete; Fiber Reinforced Concrete in Civil Engineering; Compressive strength; Environment; Environmental science; Influence of Recycled Aggregate Concrete on Construction; Engineering; Machine learning; Gene expression programming; FOS: Mathematics; Materials of engineering and construction. Mechanics of materials; Preplaced-aggregate concrete; Civil and Structural Engineering; Soil science; High Performance Concrete; Computer Sciences; Statistics; Hydrology (agriculture); Building and Construction; Computer science; Materials science; 3D Concrete Printing Technology; Two-stage concrete; Geotechnical engineering; Datavetenskap (datalogi); Concrete Extrusion; Sustainability; Aggregate (composite); Physical Sciences; TA401-492; Concrete Properties; Mathematics; Fiber Reinforced Concrete; Random forest

L'objectif de cette recherche est de prédire la résistance à la compression (CS) du béton pré-agrégat (PAC) en utilisant des approches d'apprentissage automatique telles que la programmation de l'expression génique (PEG) et la forêt aléatoire (RF). Le PAC nécessite l'injection d'un coulis de ciment et de sable portland avec des adjuvants dans un moule après le dépôt d'agrégats grossiers, ce qui rend la prédiction du CS compliquée et nécessite une étude approfondie. Des méthodes d'apprentissage automatique ont été utilisées pour réduire le temps et l'argent nécessaires à des tests expérimentaux approfondis. La base de données comprend 135 valeurs pour CS avec onze variables d'entrée. Il existe un degré acceptable de concordance entre les valeurs prédites et expérimentales, comme le montrent les valeurs CS R2 de 0,94 pour la PEG et de 0,96 pour la RF. Lorsque l'on compare la RF à la PEG, la RF est plus performante telle que mesurée par R2. Les valeurs inférieures affichées par l'erreur statistique ont également montré que RF fonctionnait mieux que GEP. À titre de comparaison, les COV, MAE, RSME et RMSLE du modèle GEP étaient de 0,527, 1,569, 2,706 et 0,133, tandis que ceux du RF étaient de 0,450, 1,648, 2,17 et 0,092. L'analyse SHAP a montré les effets de chaque paramètre d'entrée, éclairant l'effet positif de l'augmentation de la teneur en superplastifiant sur la résistance et l'effet négatif de l'augmentation du rapport eau/liant. En utilisant des approches d'apprentissage automatique pour prévoir le CS du PAC, cette étude a le potentiel de renforcer la protection de l'environnement et l'avantage économique.<br/>The aim of this research is to predict preplaced-aggregate concrete (PAC) compressive strength (CS) by using machine learning approaches such as gene expression programming (GEP) and random forest (RF). PAC requires injecting a portland cement-sand grout with admixtures into a mold after coarse aggregate has been deposited, making CS prediction complicated and requiring substantial study. Machine learning methods were used to cut down on the time and money needed for extensive experimental testing. The database includes 135 values for CS with eleven input variables. There is an acceptable degree of agreement between predicted and experimental values, as shown by the CS R2 values of 0.94 for GEP and 0.96 for RF. When comparing RF with GEP, RF performed better as measured by R2. The lower values displayed by the statistical error also showed that RF performed better than GEP. To compare, the GEP model's COV, MAE, RSME, and RMSLE were 0.527, 1.569, 2.706, and 0.133, whereas those for RF were 0.450, 1.648, 2.17, and 0.092. The SHAP analysis showed the effects of each input parameter, illuminating the positive effect of increasing the superplasticizer content on strength and the negative effect of raising the water-to-binder ratio. Using machine learning approaches to forecast the CS of PAC, this study has the potential to boost environmental protection and economic advantage.<br/>الهدف من هذا البحث هو التنبؤ بمقاومة انضغاط الخرسانة الجاهزة (CS) باستخدام مناهج التعلم الآلي مثل برمجة التعبير الجيني (GEP) والغابات العشوائية (RF). يتطلب PAC حقن ملاط بورتلاندي من الأسمنت والرمل مع إضافات في قالب بعد ترسيب الزلط الخشن، مما يجعل التنبؤ بالخرسانة CS معقدًا ويتطلب دراسة مستفيضة. تم استخدام طرق التعلم الآلي لتقليل الوقت والمال اللازمين للاختبار التجريبي المكثف. تتضمن قاعدة البيانات 135 قيمة لـ CS مع أحد عشر متغير إدخال. هناك درجة مقبولة من الاتفاق بين القيم المتوقعة والتجريبية، كما هو موضح في قيم CS R2 البالغة 0.94 لـ GEP و 0.96 لـ RF. عند مقارنة التردد اللاسلكي مع الممارسات البيئية الجيدة، كان أداء التردد اللاسلكي أفضل كما تم قياسه بواسطة R2. كما أظهرت القيم المنخفضة التي أظهرها الخطأ الإحصائي أن الترددات اللاسلكية كان أداؤها أفضل من الممارسات البيئية العالمية. للمقارنة، كان COV و MAE و RSME و RMSLE لنموذج GEP 0.527 و 1.569 و 2.706 و 0.133، في حين كانت تلك الخاصة بـ RF 0.450 و 1.648 و 2.17 و 0.092. أظهر تحليل SHAP تأثيرات كل معلمة إدخال، مما يسلط الضوء على التأثير الإيجابي لزيادة محتوى الملدن الفائق على القوة والتأثير السلبي لرفع نسبة الماء إلى الرابط. باستخدام مناهج التعلم الآلي للتنبؤ بـ CS لـ PAC، فإن هذه الدراسة لديها القدرة على تعزيز حماية البيئة والميزة الاقتصادية.<br/>El objetivo de esta investigación es predecir la resistencia a la compresión (CS) del concreto agregado precolocado (PAC) mediante el uso de enfoques de aprendizaje automático como la programación de expresión génica (GEP) y el bosque aleatorio (RF). El PAC requiere inyectar una lechada de cemento y arena portland con aditivos en un molde después de que se haya depositado el agregado grueso, lo que complica la predicción de CS y requiere un estudio sustancial. Se utilizaron métodos de aprendizaje automático para reducir el tiempo y el dinero necesarios para realizar pruebas experimentales exhaustivas. La base de datos incluye 135 valores para CS con once variables de entrada. Existe un grado aceptable de concordancia entre los valores previstos y experimentales, como lo demuestran los valores de CS R2 de 0.94 para GEP y 0.96 para RF. Al comparar RF con GEP, RF se desempeñó mejor según lo medido por R2. Los valores más bajos mostrados por el error estadístico también mostraron que RF se desempeñó mejor que GEP. Para comparar, los COV, MAE, RSME y RMSLE del modelo GEP fueron 0.527, 1.569, 2.706 y 0.133, mientras que los de RF fueron 0.450, 1.648, 2.17 y 0.092. El análisis SHAP mostró los efectos de cada parámetro de entrada, iluminando el efecto positivo de aumentar el contenido de superplastificante en la resistencia y el efecto negativo de aumentar la relación agua-aglutinante. Utilizando enfoques de aprendizaje automático para pronosticar el CS de PAC, este estudio tiene el potencial de impulsar la protección ambiental y la ventaja económica.<br/>