Published November 1, 2023 | Version v1
Publication Open

Investigating the effects of superplasticizer and recycled plastics on the compressive strength of cementitious composites using neural networks

Creators

  • 1. Khon Kaen University
  • 2. Suranaree University of Technology

Description

The potential application of neural network (NN) models to estimate the compressive strength (CS) of cementitious composites under a variety of experimental settings and cement mixes was investigated. The data were extensively collected from previous literature, and the bootstrap resampling tests were applied to estimate the statistics of the parameter correlations. We find that the NN model that involves the coarse and fine natural aggregates (CA and FA), superplasticizer (SP) and recycled plastics (RP) as the features can accurately predict the CS (R2 ∼ 0.9), without the need to specify the type of SP and the structure of RP in advance. The developed NN model holds promise for revealing the global dependency of CS on these parameters. It suggested that increasing 100 kg/m3 of CA could increase CS by ∼4 MPa, but the usage of CA more than 700 kg/m3 could negatively affect CS. How the CS varying with FA is apparently nonlinear. Within the optimum limit, adding 1 kg/m3 of SP could enhance the CS by ∼2 MPa. Contrarily, additional 1 kg/m3 of RP results in a decrease of ∼0.2 MPa of CS. The mixture-type independent models developed here would broaden our understanding of the global influential-sensitivity among these variables and help save cost and time in the industrial applications.

⚠️ This is an automatic machine translation with an accuracy of 90-95%

Translated Description (Arabic)

تم التحقيق في التطبيق المحتمل لنماذج الشبكة العصبية (NN) لتقدير مقاومة الانضغاط (CS) للمواد المركبة الأسمنتية في ظل مجموعة متنوعة من الإعدادات التجريبية وخلائط الأسمنت. تم جمع البيانات على نطاق واسع من الأدبيات السابقة، وتم تطبيق اختبارات إعادة أخذ عينات التمهيد لتقدير إحصائيات ارتباطات المعلمات. نجد أن نموذج NN الذي يتضمن الركام الطبيعي الخشن والدقيق (CA و FA)، والملدنات الفائقة (SP) والبلاستيك المعاد تدويره (RP) حيث يمكن للميزات التنبؤ بدقة بـ CS (R2 0.9)، دون الحاجة إلى تحديد نوع SP وهيكل RP مقدمًا. يبشر نموذج NN المطور بالكشف عن الاعتماد العالمي لـ CS على هذه المعلمات. واقترحت أن زيادة 100 كجم/م 3 من CA يمكن أن تزيد CS بمقدار 4 ميجا باسكال، ولكن استخدام CA أكثر من 700 كجم/م 3 يمكن أن يؤثر سلبًا على CS. كيف يختلف CS مع FA هو على ما يبدو غير خطي. ضمن الحد الأمثل، يمكن أن تؤدي إضافة 1 كجم/م 3 من SP إلى تعزيز CS بمقدار 2 ميجا باسكال. على العكس من ذلك، ينتج عن 1 كجم/م 3 إضافية من RP انخفاض قدره 0.2 ميجا باسكال من CS. من شأن النماذج المستقلة من نوع الخليط التي تم تطويرها هنا أن توسع فهمنا للحساسية المؤثرة العالمية بين هذه المتغيرات وتساعد على توفير التكلفة والوقت في التطبيقات الصناعية.

Translated Description (French)

L'application potentielle des modèles de réseaux neuronaux (NN) pour estimer la résistance à la compression (CS) des composites cimentaires dans divers contextes expérimentaux et mélanges de ciment a été étudiée. Les données ont été largement collectées à partir de la littérature précédente, et les tests de ré-échantillonnage bootstrap ont été appliqués pour estimer les statistiques des corrélations de paramètres. Nous constatons que le modèle NN qui implique les agrégats naturels grossiers et fins (CA et FA), le superplastifiant (SP) et les plastiques recyclés (RP) car les caractéristiques peuvent prédire avec précision le CS (R2 ∼ 0,9), sans qu'il soit nécessaire de spécifier le type de SP et la structure du RP à l'avance. Le modèle NN développé est prometteur pour révéler la dépendance globale du CS à ces paramètres. Il a suggéré que l'augmentation de 100 kg/m3 de CA pourrait augmenter la CS d'environ4 MPa, mais que l'utilisation de plus de 700 kg/m3 de CA pourrait affecter négativement la CS. Comment le CS variant avec FA est apparemment non linéaire. Dans la limite optimale, l'ajout de 1 kg/m3 de SP pourrait améliorer le CS d'environ2 MPa. Au contraire, 1 kg/m3 supplémentaire de RP entraîne une diminution d'environ0,2 MPa de CS. Les modèles indépendants de type mélange développés ici permettraient d'élargir notre compréhension de la sensibilité globale à l'influence parmi ces variables et aideraient à économiser des coûts et du temps dans les applications industrielles.

Translated Description (Spanish)

Se investigó la posible aplicación de modelos de redes neuronales (NN) para estimar la resistencia a la compresión (CS) de materiales compuestos cementosos en una variedad de entornos experimentales y mezclas de cemento. Los datos se recopilaron ampliamente de la literatura anterior y se aplicaron las pruebas de remuestreo de arranque para estimar las estadísticas de las correlaciones de los parámetros. Encontramos que el modelo NN que involucra los agregados naturales gruesos y finos (CA y FA), superplastificante (SP) y plásticos reciclados (RP) como las características pueden predecir con precisión el CS (R2 ~ 0.9), sin la necesidad de especificar el tipo de SP y la estructura de RP de antemano. El modelo NN desarrollado es prometedor para revelar la dependencia global de CS en estos parámetros. Sugirió que el aumento de 100 kg/m3 de CA podría aumentar el CS en ~4 MPa, pero el uso de CA más de 700 kg/m3 podría afectar negativamente al CS. Cómo el CS que varía con FA es aparentemente no lineal. Dentro del límite óptimo, la adición de 1 kg/m3 de SP podría mejorar el CS en ~2 MPa. Por el contrario, 1 kg/m3 adicional de RP da como resultado una disminución de ~0.2 MPa de CS. Los modelos independientes de tipo mezcla desarrollados aquí ampliarían nuestra comprensión de la sensibilidad influyente global entre estas variables y ayudarían a ahorrar costos y tiempo en las aplicaciones industriales.

Files

pdf.pdf

Files (16.0 kB)

⚠️ Please wait a few minutes before your translated files are ready ⚠️ Note: Some files might be protected thus translations might not work.
Name Size Download all
md5:87a97beb6edc462763678befd8ff316a
16.0 kB
Preview Download

Additional details

Additional titles

Translated title (Arabic)
التحقيق في آثار اللدائن الفائقة والبلاستيك المعاد تدويره على قوة انضغاط المواد المركبة الأسمنتية باستخدام الشبكات العصبية
Translated title (French)
Étude des effets des superplastifiants et des plastiques recyclés sur la résistance à la compression des composites cimentaires à l'aide de réseaux neuronaux
Translated title (Spanish)
Investigar los efectos de los superplastificantes y los plásticos reciclados sobre la resistencia a la compresión de los compuestos cementosos utilizando redes neuronales

Identifiers

Other
https://openalex.org/W4388087458
DOI
10.1016/j.heliyon.2023.e21798

Is supplement to
https://openalex.org/W4390747079 (Other)
https://openalex.org/W4380924871 (Other)
https://openalex.org/W4318997301 (Other)
https://openalex.org/W4306937396 (Other)
https://openalex.org/W4283369839 (Other)
https://openalex.org/W4247499177 (Other)
https://openalex.org/W2760269805 (Other)
https://openalex.org/W2542919524 (Other)
https://openalex.org/W2385263832 (Other)
https://openalex.org/W2017354727 (Other)

GreSIS Basics Section

Is Global South Knowledge
Yes
Country
Thailand

References

  • https://openalex.org/W1124511036
  • https://openalex.org/W1934098819
  • https://openalex.org/W1972637363
  • https://openalex.org/W2001705326
  • https://openalex.org/W2047081237
  • https://openalex.org/W2079020577
  • https://openalex.org/W2101234009
  • https://openalex.org/W2120484638
  • https://openalex.org/W2131850886
  • https://openalex.org/W2201818992
  • https://openalex.org/W2538774604
  • https://openalex.org/W2562440930
  • https://openalex.org/W2605311408
  • https://openalex.org/W2737217596
  • https://openalex.org/W2773573924
  • https://openalex.org/W2893934495
  • https://openalex.org/W2894751688
  • https://openalex.org/W2907110648
  • https://openalex.org/W2947856739
  • https://openalex.org/W2949742718
  • https://openalex.org/W2995887038
  • https://openalex.org/W3006385088
  • https://openalex.org/W3020134580
  • https://openalex.org/W3026112595
  • https://openalex.org/W3089543430
  • https://openalex.org/W3090981324
  • https://openalex.org/W3091592243
  • https://openalex.org/W3110436448
  • https://openalex.org/W3111714216
  • https://openalex.org/W3112945380
  • https://openalex.org/W3150635270
  • https://openalex.org/W3178838978
  • https://openalex.org/W3204243104
  • https://openalex.org/W3209872501
  • https://openalex.org/W4205685016
  • https://openalex.org/W4220851152
  • https://openalex.org/W4225143052
  • https://openalex.org/W4225289294
  • https://openalex.org/W4283374599
  • https://openalex.org/W4285792219