27846

پيش‌بيني مشخصات مكانيكي نانوكامپوزيت‌هاي سيماني حاوي گرافن اكسايد با روش‌هاي يادگيري ماشين

كارشناسي ارشد

مهندسي عمران

1401/04/15

دكتر اصغر حبيب نژاد كورايم - دكتر مجيد ايلچي قزاآن

مهندسي عمران

چكيده در سال‌هاي اخير استفاده از نانومواد به‌عنوان مسلح كننده‌ي كامپوزيت¬هاي سيماني افزايش چشمگيري داشته است. يكي از انواع نانومواد مورد استفاده در اين زمينه گرافن اكسايد است كه به دليل مشخصات مكانيكي قابل توجه و ساختار شيميايي خود پتانسيل خوبي براي تسليح ماتريس سيماني و استفاده در مقياس صنعتي دارد. تهيه تعداد زيادي نمونه آزمايشگاهي و انجام تست¬هاي مكانيكي در سنين مختلف بسيار پرهزينه و وقت‌گير است بنابراين وجود مدلي كه باتوجه‌به تركيبات، نحوه تهيه نمونه‌ها و شرايط عمل‌آوري بتواند مشخصات مكانيكي را تخمين بزند، بسيار كاربردي است زيرا مقاومت فشاري و خمشي در كنار ديد خوبي كه از ميزان تأثير استفاده از نانوذرات مي‌دهد، به‌عنوان ورودي در بسياري از آيين‌نامه‌هاي طراحي نيز در نظر گرفته مي‌شود. اين مدل پيش‌بيني بايد قادر باشد روابط بسيار پيچيده بين شيوه تهيه نانوكامپوزيت و اجزاي تشكيل‌دهنده‌ي آن با پارامترهاي مكانيكي را بادقت خوبي ترسيم كند. اگرچه روابط تجربي و روابط مبتني بر روش‌هاي آماري در گذشته براي پيش‌بيني مشخصات مكانيكي مصالح بسياري مورداستفاده قرار گرفته است اما اين روابط قادر به مدل‌سازي روابط بين شيوه ساخت و تركيبات مصالح پيچيده‌اي مانند نانوكامپوزيت‌هاي حاوي گرافن اكسايد با مشخصات مكانيكي آن¬ها نيستند ازاين‌رو در اين پايان‌نامه با استفاده از روش‌هاي يادگيري ماشين مبتني بر يادگيري گروهي (جنگل تصادفي، AdaBoost، Gradient boosting و XGBoost)، بر اساس داده‌هاي جمع‌آوري شده از پژوهش‌هاي پيشين مدل‌هايي براي پيش‌بيني مشخصات مكانيكي (مقاومت فشاري و مقاومت خمشي) نانوكامپوزيت‌هاي سيماني حاوي گرافن اكسايد توسعه داده شده است و عملكرد آنها با روش درخت تصميم كه به‌عنوان يك يادگيرنده منفرد شناخته مي‌شود ارزيابي و سپس با رويكردهاي گوناگون به ارزيابي اهميت متغيرها پرداخته شده است. نتايج مدل‌ها حاكي از توانايي بسيار خوب روش XGBoost (2.54=RMSE ، 6.61=MSE و0.983=R2 براي مقاومت فشاري و 0.82=RMSE ، 0.70=MSE و0.94=R2 براي مقامت خمشي) در پيش‌بيني مقاومت خمشي و فشاري است و در مقايسه با دقت مدل¬هاي ارائه شده در پژوهش‌هاي پيشين براي پيش¬بيني مشخصات مكانيكي نانوكامپوزيت¬ها عملكرد قابل قبولي دارد. نتايج تحليل اهميت متغيرها نيز نشان مي‌دهد اين مدل صرفاً به چند متغير محدود وابسته نيست و تمام متغيرها را در نظر مي‌گيرد. به‌طوركلي مقاومت نمونه شاهد (نمونه‌اي بدون سورفكتانت و گرافن اكسايد)، ميزان گرافن اكسايد استفاده شده و نسبت آب به سيمان مؤثرترين متغير در مشخصات مكانيكي اين كامپوزيت‌ها هستند.

1401/11/17

Predicting the Mechanical Properties of Cementitious Nanocomposites Containing Graphene Oxide Using Machine Learning Algorithms

7/6/2023 12:00:00 AM

The employment of nanoparticles to enhance the performance of cementitious composites has risen in recent years. One of the nanoparticles that have good mechanical features and due to its chemical structure has a good potential for participating in the cement matrix is graphene oxide. Preparing a large number of laboratory samples and performing mechanical tests at different ages is costly and time-consuming, hence having a model that estimates the mechanical properties according to the binder components, preparation method, and curing condition is beneficial. Mechanical parameters like as compressive and flexural strength offer a good insight of the influence into the usage of nanoparticles and they are considered as an input in many design codes. This forecasting model seeks to map complicated relationships between inputs and mechanical characteristics. Experimental formulas and statistical methods have previously been applied to predict the mechanical properties of a variety of construction materials but due to the complexity and multiplicity of involved variables of new composites such as graphene-containing nanocomposites, these methods can not perform well. to address this issue four ensemble-based machine learning algorithms (random forest, AdaBoost, Gradient Boosting, and XGBoost) beside a standalone algorithm (decision tree) trained on data collected from the literature for predicting mechanical properties (compressive strength and flexural strength) (compressive strength and flexural strength). The findings of the models reveal that the XGBoost technique performs better in forecasting flexural and compressive strength and the importance analysis of input variables demonstrates that this model does not depend just on a few variables and better maps the relationships between variables. In general, the strength of control samples (samples without surfactant and graphene oxide), the percentage of graphene oxide in the binder, and the ratio of water to cement are the most influential variables in the mechanical characteristics of GO-reinforced nanocomposites.

نانوكامپوزيت سيماني , گرافن اكسايد , يادگيري ماشين , مدل پيش‌بيني

GO-reinforced nanocomposites , cementitios nanocomposite , graphene oxide , model explanation

Hossein Adel

‪Asghar Habibnejad Korayem - ‪Majid Ilchi Ghazaan