L'utilisation de béton avec granulats grossiers recyclés (RCA) et de fibres de polypropylène (PPF) présente une alternative durable dans la production de béton. Cependant, les effets non linéaires et interactifs de RCA et PPF sur les propriétés à l'état frais et durci ne sont pas encore entièrement quantifiés. Cette étude utilise la méthode des surfaces de réponse (RSM) et l'algorithme Random Forest (RF) avec validation croisée K-fold pour prédire l'effet combiné de l'utilisation de granulats grossiers recyclés (RCA) en remplacement partiel de granulats grossiers naturels et de fibres de polypropylène (PPF) sur les propriétés techniques du béton RCA-PPF, répondant ainsi au besoin critique d'un cadre de modélisation robuste et fondé sur les données. Un ensemble de données de 144 échantillons testés tirés de la littérature a été utilisé pour développer et valider les modèles de prédiction. Trois variables d'entrée ont été prises en compte dans le développement des modèles de prédiction proposés, à savoir, RCA, PPF et âge de durcissement (Age). Les réponses examinées étaient la résistance à la compression (CS), la résistance à la traction (TS), la vitesse d'impulsion ultrasonore (UPV) et l'absorption d'eau (WA). Pour évaluer les modèles développés, des métriques statistiques ont été calculées et une analyse de la variance (ANOVA) a été employée. Par la suite, les réponses ont été optimisées en utilisant l'optimisation dans RSM. Les résultats optimaux des réponses en maximisant TS, CS et UPV et en minimisant WA ont été atteints avec un PPF de 3 % en volume de béton et un RCA de près de 100 % remplaçant des granulats grossiers naturels, mettant en évidence la réutilisation optimale des granulats recyclés, avec un AGE de 83,6 jours. Le modèle RF a montré des performances supérieures, surpassant significativement le modèle RSM. Une analyse d'importance des caractéristiques via des valeurs SHAP a été utilisée pour identifier les paramètres les plus efficaces sur les prédictions. Les résultats confirment que les techniques d'apprentissage automatique fournissent un outil puissant et précis pour optimiser les mélanges de béton durables.
Dahish et al. (Mercredi,) ont étudié cette question.