Ітераційна оптимізація складу бетону із заданою швидкістю тверднення за допомогою машинного навчання
DOI:
https://doi.org/10.36910/6775-2410-6208-2025-14(24)-27Ключові слова:
раннє тверднення, технологія бетону, машинне навчання, Random Forest, оптимізація складу, метод Монте-КарлоАнотація
У сучасній будівельній індустрії одним із ключових чинників підвищення економічної ефективності монолітного будівництва є швидкість обороту опалубки, яка визначається кінетикою набору міцності бетоном. Традиційні підходи до проєктування бетонних сумішей орієнтовані переважно на забезпечення марочної міцності через 28 діб і часто не дозволяють оперативно визначати оптимальні компонентні склади для прискореного тверднення без проведення тривалих натурних випробувань. У цій роботі запропоновано та реалізовано підхід до розв’язання зворотної технологічної задачі – автоматизованого підбору складу бетонної суміші із заданою швидкістю тверднення. Методологічна основа дослідження поєднує предиктивне моделювання та стохастичну оптимізацію. Як аналітичний компонент використано ансамблеву регресійну модель Random Forest, навчену на відкритому наборі даних. Оптимізаційну задачу реалізовано через двоконтурний алгоритм: зовнішній цикл визначає часові інтервали досягнення проєктної міцності, тоді як внутрішній цикл здійснює генерацію псевдовипадкових рецептур методом Монте-Карло (100 000 ітерацій) та їх подальше ранжування. У межах обчислювального експерименту для бетону класу С32/40 (40 МПа) встановлено технологічно можливу межу раннього досягнення міцності. Моделюванням ідентифіковано кластер із 236 сумішей, що забезпечують проєктну міцність на третю добу тверднення. Аналіз компонентного складу отриманих рецептур показав їх узгодженість із відомими технологічними закономірностями для бетонів прискореного тверднення (High Early Strength Concrete). Зокрема, для досягнення цільових показників у надкороткий термін модель визначила як оптимальні параметри зниження водоцементного відношення до рівня 0,24–0,26 при вмісті цементу понад 450 кг/м³, що корелює із законом Абрамса та принципами отримання високофункціональних бетонів. Встановлено, що скорочення терміну тверднення до 3 діб збільшує собівартість суміші на близько 82% відносно 28-добового циклу. Запропонований підхід може бути використаний як інструмент підтримки інженерно-технологічних рішень, оскільки забезпечує автоматизований пошук раціонального складу бетонної суміші з урахуванням обмежень за вартістю та необхідними темпами будівництва.
Завантажити
Посилання
1. Qi C., Huang B., Wu M., Wang K., Yang S., Li G. Concrete Strength Prediction Using Different Machine Learning Processes: Effect of Slag, Fly Ash and Superplasticizer // Materials. – 2022. – Vol. 15, № 15. – P. 5369. – DOI: 10.3390/ma15155369.
2. Sun C., Wang K., Liu Q., Wang P., Pan F. Machine-Learning-Based Comprehensive Properties Prediction and Mixture Design Optimization of Ultra-High-Performance Concrete // Sustainability. – 2023. – Vol. 15, № 21. – P. 15338. – DOI: 10.3390/su152115338.
3. Beskopylny A.N., Stel’makh S.A., Shcherban’ E.M., Mailyan L.R., Meskhi B., Razveeva I., Chernil’nik A., Beskopylny N. Concrete Strength Prediction Using Machine Learning Methods: CatBoost, k-Nearest Neighbors, Support Vector Regression // Applied Sciences. – 2022. – Vol. 12, № 21. – P. 10864. – DOI: 10.3390/app122110864.
4. Forsdyke J.C., Zviazhynski B., Lees J.M., Conduit G.J. Probabilistic Selection and Design of Concrete Using Machine Learning // Data-Centric Engineering. – 2023. – Vol. 4. – e9. – DOI: 10.1017/dce.2023.5
5. Nguyen H., Vu T., Vo T.P., Thai H.T. Efficient machine learning models for prediction of concrete strengths // Construction and Building Materials. – 2021. – Vol. 266, Part B. – Article 120950. – DOI: 10.1016/j.conbuildmat.2020.120950
6. Pfeiffer O.P., Gong K., Severson K.A., Chen J., Gregory J.R., Ghosh S., Goodwin R.T., Olivetti E.A. Bayesian design of concrete with amortized Gaussian processes and multi-objective optimization // Cement and Concrete Research. – 2024. – Vol. 177. – 107406. – DOI: 10.1016/j.cemconres.2023.107406
7. Li P., Zhang Y., Gu J., et al. Prediction of compressive strength of concrete based on improved artificial bee colony-multilayer perceptron algorithm // Sci Rep. – 2024. – Vol. 14. – 6414. – DOI: 10.1038/s41598-024-57131-w
8. Ament S., Witte A., Garg N., Kusuma J. Sustainable concrete via Bayesian optimization // arXiv. – 2023. – URL: https://arxiv.org/abs/2310.18288
9. Vargas J.F., Oviedo A.I., Ortega N.A., Orozco E., Gómez A., Londoño J.M. Machine-Learning-Based Predictive Models for Compressive Strength, Flexural Strength, and Slump of Concrete // Applied Sciences. – 2024. – Vol. 14, № 11. – 4426. – DOI: 10.3390/app14114426
10. Yeh I.-C. Concrete Compressive Strength [Dataset] // UCI Machine Learning Repository. – 1998. – DOI: 10.24432/C5PK67
11. Ananyachandran, Polipati & Vasugi, V.. Review on high early strength concrete. International Journal of Civil Engineering and Technology. 8. 697-705c – 2017
