تطبيق آلة التعلم للتنبؤ بالمقاومة المبكره في اليوم السابع للخرسانه بالمصانع
Title Application of Machine Learning for Prediction of Early Seven-Day Strength of Concrete in Factories
الباحث الرئيس عايد عيد حمود اللقماني
الباحثون المشاركون
التخصص: الهندسة المدنية
التخصص الدقيق: هندسة مدنية (إنشاءات و أساسات و بيئة)
المستخلص: • موضوع البحث أو مشكلته مع بيان الفجوة العلمية المراد سدها.
في هذه الدراسة، تم تطبيق العديد من تقنيات التعلم الآلي للتنبؤ بمقاومة الضغط للخرسانة في اليوم السابع. بالنسبة للبحث الحالي، تم جمع العينات من 60 من محطات خلاطات الخرسانة المختلفة في المنطقة الشرقية للمملكة العربية السعودية. تم جمع ما مجموعه 12 إلى 15 مجموعة من العينات من كل مصنع. تتألف كل مجموعة من 6 اسطوانات؛ لذلك، تم إنشاء قاعدة بيانات من الاختبارات في أكثر من 567 عينات.
• أبرز نتائج البحث مع تعليق مختصر عن الإضافة العلمية التي حققتها تلك النتائج.
تم استخدام البيانات للتحقق من صحة وتدريب ثلاث نماذج للتعلم (ML): أشجار قرارات CREMEAL (CDT)، Perceptron متعدد الطبقات (MLP) و BAYES SACEIS. يتم استخدام النمذجة المتعلقة ML (على وجه التحديد، CDT، MLP و Blaïve Bayes) في الدراسة الحالية لرؤية إمكانية التنبؤ بالقوة الضاغطة للخرسانة في 7 أيام. أجرت النييف بايز الأفضل فيما يتعلق بالتنبؤ وقضاة كابا واستهلاك الوقت. تظهر النتائج أن النييف بايز لديها إحصائيات KAPPA أعلى مقارنة مع CDT و MLP، مما يشير إلى أن النييف بايز تتمتع بأفضل تطابق بين البيانات المدربة والمختبر. بالإضافة إلى ذلك، كان ملحويا أعلى درجة F- قياس، والذي يظهر دقة عالية. تظهر النتائج أيضا أن النييف بايز لديها أعلى مثيل مصنفة بشكل صحيح بين الخوارزميات التي تم اختبارها، فيما يتعلق بالوقت اللازم لبناء النموذج.
• أبرز التطبيقات أو الجهات المستفيدة من تلك النتائج.
هذه الدراسه ونتائجها مفيده للبلديات ومكاتب التصميم الهندسي بالمملكه العربيه السعوديه
Abstract: • The research topic or its problem with an indication of the scientific gap to be treated.
In this study, several machine learning techniques were applied to predict the compressive strength of concrete on the 7th day. For the current research, samples were collected from 60 different concrete mixer plants in the Eastern province of Saudi Arabia. A total of 12 to 15 sets of samples were collected from each plant. Each set consisted of 6 cylinders; therefore, a database was established from tests on more than 567 samples.
• The most prominent results of the research with a brief comment about the scientific addition that the results achieved.
The data was used to validate and train three machine learning (ML) models: Credal Decision Trees (CDT), Multi-Layer Perceptron (MLP) and Naïve Bayes Classifiers. Modelling related to ML (specifically, CDT, MLP and Naïve Bayes) is used in the current study to see the possibility of predicting the compressive strength of concrete at 7 days. The Naïve Bayes performed the best with respect to prediction, Kappa stat and time consumption. The results show that Naive Bayes had the higher Kappa stat compared to CDT and MLP, indicating that NB has the best match between the trained and tested data. In addition, NB had the highest F-Measure score, which shows high precision. The results also show that NB has the highest Correctly Classified Instance among the algorithms tested, with respect to the time needed to build the model.
• The most prominent applications or beneficiaries from the results.
This study and its results are useful for the municipalities and engineering design offices in the Kingdom of Saudi Arabia.