Wykorzystanie metod uczenia maszynowego do rozpoznania związków między składem betonu modyfikowanego dodatkami popiołowymi a jego właściwościami

• Autorzy: Marks M.

Warianty tytułu

EN

Application of machine learning to determine properties of concretes modified with addition of coal ash

• Języki publikacji: PL

Abstrakty

PL

W pracy wykorzystano dwa algorytmy uczenia maszynowego do określenia związków między składem betonu modyfikowanego popiołami ze spalania węgla kamiennego i brunatnego, a trwałością na agresywne oddziaływanie środowiska. Do określenia przenikalności chlorków w betonie użyto przyspieszonej metody migracji ujętej w Nordtest Method NT Build 492. Do określenia odporności betonu na powierzchniowe łuszczenie zastosowano zgodną z normą szwedzką metodę Boras. W obu przypadkach zgromadzone dane doświadczalne wykorzystano jako zbiory uczące, na podstawie których wygenerowano reguły. Reguły wygenerowane za pomocą algorytmu AQ21 oraz algorytmu J48 z systemu WEKA pozwalają na zakwalifikowanie betonów zwykłych oraz betonów, w których część cementu została zastąpiona popiołami fluidalnymi z węgla kamiennego lub brunatnego, do grupy betonów o dobrej lub dostatecznej odporności na wnikanie chlorków oraz odpornych i nieodpornych na powierzchniowe łuszczenie, spowodowane cyklicznym zamrażaniem i odmrażaniem.

EN

In the paper two algorithms of the machine learning are used in order to determine the durability of concrete modified with circulating fluidized bed combustion (CFBC) ash from hard coal and from brown coal. The rapid chloride permeability test, according to Nordtest Method BUILD 492, was used for determining the chloride ions penetration in concrete. The frost salt scaling tests were performed according to the Swedish Standard method SS 137244. In both cases the performed tests provided databases used as training sets to generate the rules describing the relations between material composition and durability parameters. The rules generated by computer programs AQ21 and WEKA using J48 algorithm provided means for adequate categorization of plain concrete and concrete modified with CFBC fly ash as materials of good and acceptable resistance to chloride penetration as well as materials resistant or not resistant to the surface scaling caused by freezing cycles.

Słowa kluczowe

PL

algorytm uczenia maszynowego; spalanie węgla; metoda migracji; odporność betonu

• Wydawca: Instytut Badawczy Dróg i Mostów
• Czasopismo: Drogi i Mosty
• Rocznik: 2010
• Tom: nr 3
• Strony: 39--54
• Opis fizyczny: Bibliogr. 12 poz.

Twórcy

autor

Marks M.

• Instytut Podstawowych Problemów Techniki PAN, Warszawa

Bibliografia

• [1] Altennan D.: Ocena materiałów betonowych przy zastosowaniu wnioskowania automatycznego. Rozprawa doktorska, IPPT PAN, Warszawa 2005
• [2] Carpenter G.A., Grossberg S., Markuzon N., Reynolds J.H., Rosen D.B.: Fuzzy ARTMAP: a natural network architecture for incremental supervised leaming of analog multidimensional maps. IEEE Transaction of Newa! Networks, 3, 5, September 1992, 698-7(3
• [3] Krawiec A., Stefanowski J.: Uczenie maszynowe i sieci neuronowe. Wydawnictwo Politechniki Poznańskiej, 2003
• [4] Kasperkiewicz J., Aherman D.: Rozpoznawanie właściwości betonu metodami sztucznej inteligencji: Metody diagnozowania betonów i betonów wysoko wartości owych na podstawie badań strukturalnych. IPPT PAN, Warszawa 2003
• [5] aiNet: A neural network application for Windows environment. Version 1.24, User's Guide, Slovenia 1997, (www.ainet-sp.si), 68
• [6] Cichosz P.: Systemy uczące się. Warszawa, WNT, 2000
• [7] Wojtusiak J.: AQ21 user's guide. George Mason University, MLI 04-3, September 2004
• [8] Witten I.H., Frank E.: Data mining. Practical machine learning tools and techniques, Elsevier, 2005
• [9] Nordtest Method NT Build 492. Concrete, mortar and cement-based repair materials: Chloride migration coefficient from non-steady-state migration experiments, 1999
• [10] Tang L,: Chloride transport in concrete - Measurement and prediction. Publication P-96:6, Chalmers University of Technology, Department of Building Materials, Goteborg, 1996
• [11] Marks M., Jóźwiak-Niedźwiedzka D., Glinicki M.A.: Application of machine learning for prediction of concrete resistance to migration of chlorides, Brittle Matrix Composites 9, Warszawa 25 - 28.10.2009, Woodhead Publishing Ltd & IPPT, 227 - 236
• [12] SS 137244:2005 Concrete testing - Hardened concrete - Scaling at freezing. Swedish Standard Institute, Stockholm 1995