Weryfikacja neuronowego sposobu oceny przypowierzchniowej wytrzymałości na rozciąganie kompozytu cementowego modyfikowanego mączką granitową

• Autorzy: Czarnecki Sławomir

Identyfikatory

DOI

10.5604/01.3001.0055.2486

Warianty tytułu

EN

Verification of the neural method for evaluating the pull-off adhesion of cement composite modified with granite powder

• Języki publikacji: PL

Abstrakty

PL

W referacie zaprezentowano rezultaty weryfikacji, opracowanego wcześniej przez autora, neuronowego sposobu oceny przypowierzchniowej wytrzymałości na rozciąganie kompozytu cementowego modyfikowanego mączką granitową. Sposób ten może być przydatny do oceny tego parametru w podłogach betonowych wielkopowierzchniowych, w których wykonywanie badań metodą odrywania jest uciążliwe z uwagi na liczność miejsc badawczych i czasochłonność ich wykonania oraz konieczność naprawy tych miejsc. Do weryfikacji doświadczalnej sztucznej sieci neuronowej wykorzystano rezultaty badań przypowierzchniowej wytrzymałości na rozciąganie nowo wykonanych próbek badanych po 7 i 28 dniach dojrzewania, w sytuacji gdy do procesów uczenia i testowania SSN zostały wykorzystane rezultaty badań uzyskane po 56 i 90 dniach dojrzewania kompozytu cementowego o tym samym składzie materiałowym. Uzyskano satysfakcjonujące rezultaty tej weryfikacji.

EN

The paper presents the results of the verification of a neural method for evaluating the pull-off adhesion of a cement composite modified with granite powder, previously developed by the author. This method may be useful for assessing this parameter in large-area concrete floors, where testing using the pull-off method is burdensome due to the high number of test locations, the time required to perform them, and the need to repair the tested areas. For the experimental verification of the artificial neural network, results were used from tests of the pull-off adhesion of newly made samples examined after 7 and 28 days of curing, while the neural network was trained and tested using results obtained after 56 and 90 days of curing of cement composites with the same material composition. The verification yielded satisfactory results.

• Wydawca: Fundacja Polskiego Związku Inżynierów i Techników Budownictwa
• Czasopismo: Inżynieria i Budownictwo
• Rocznik: 2025
• Tom: R. 81, nr 5
• Strony: 491--495
• Opis fizyczny: Bibliogr. 14 poz., il., tab.

Twórcy

autor

Czarnecki Sławomir

• Politechnika Wrocławska, Wydział Budownictwa Lądowego i Wodnego

• https://orcid.org/0000-0001-8021-943X

Bibliografia

• [1] Czarnecki L., Justnes H.: (2012). Zrównoważony trwały beton. Cement Wapno Beton, 17(6),341-362.
• [2] Czarnecki L.: (2022). Zrównoważone wyroby budowlane - piękna idea, konieczność cywilizacyjna czy też imperatyw termodynamiczny. Materiały Budowlane, 578(1), Art. 09.
• [3] Chajec A.: (2021). Granite powder vs. f1y ash for the sustainable production of air-cured cementitious mortars. Materials, 14(5), 1208. https://doi.org/10.3390/ma14051208.
• [4] Mostofinejad D., et al.: Enhancing Concrete Strength and Durability of Normal and High-Strength Concrete: Exploring Combined Effects of Optimized Silica Fume and Slag. Iran J Sci Technol Trans Civ Eng (2024). https://doi.org/10.1007/s40996-024-01573-9.
• [5] Cisiński M., et al.: (2024). Carbonated calcium silicates as pozzolanic supplementary cementitious materials. Construction and Building Materials, 443, 137764. https://doi.org/10.1016/j.conbuildmaI.2024.137764.
• [6] Czarnecki S.: 2022, Modelling of Mechanical Properties of Eco-Friendly Cementitious Composites Used in Floors: State of the Art and Research Gaps, Chemical Engineering Transactions, 94, 403-408.
• [7] Nigam M., Verma M.: Prediction of compressive strength of nanosilica concrete by using random forest algorithm. Asian J Civ Eng 25, 5205-5213 (2024). https://doi.org/10.1007/s42107-024-01107-8.
• [8] Li Q., et al.: Splitting tensile strength prediction of Metakaolin concrete using machine learning techniques. Sci Rep 13, 20102 (2023). https://doi.org/10.1038/s41598-023-47196-4.
• [9] Mahmoudian A., Bypour M., Kontoni DP.N.: Tree-based machine learning models for predicting the bond strength in reinforced recycled aggregate concrete. Asian J Civ Eng (2024). https://doi.org/10.1007/s42107-024-01153-2.
• [10] Chajec A., Czarnecki S., Sadowski Ł.: (2024). Smart optimization of packing density for cleaner production of cementitious composites using mineral powders. Developments in the Built Environment, 19, 100532. https://doi.org/10.1016/j.dibe.2024.100532.
• [11] Czarnecki S., et al.: (2022). Design of a machine learning model for the precise manufacturing of green cementitious composites modified with waste granite powder. Scientific Reports, 12, 13242. https://doi.org/10.1038/s41598-022-17670-6.
• [12] Czarnecki S., Moj M.: (2023). Comparative Analyses of Selected Neural Networks for Prediction of Sustainable Cementitious Composite Subsurface Tensile Strength. Applied Sciences, 13(8), 4817. https://doi.org/10.3390/app13084817.
• [13] Czarnecki S., Sadowski Ł., Hoła J.: (2020). Artificial neural networks for non-destructive identification of the interlayer bonding between repair overlay and concrete substrate. Advances in Engineering Software, 141, 102769. https://doi.org/10.1016/j.advengsoft.2020.102769.
• [14] ASTM International. (2017). ASTM D4541-17: Standard test method for pull-off strength of coatings using portable adhesion testers (pp. 1-6). ASTM International. https://doi.org/10.1520/D4541-17.