अवस्थाक्रम सेल्फ-कंपैक्टिंग कंक्रीट (SCC) आधुनिक निर्माण में तेजी से अपनाया जा रहा है क्योंकि इसकी स्व-प्रवाहित प्रकृति है, जो मैकेनिकल कंपन की आवश्यकता को समाप्त करती है और निर्माण गुणवत्ता में सुधार करती है। SCC में संगमरमर के पाउडर (MP) और ग्लास पाउडर (GP) जैसे औद्योगिक अपशिष्ट सामग्रियों का उपयोग पारंपरिक सामग्रियों के मुकाबले एक सतत विकल्प प्रस्तुत करता है, जिससे पर्यावरणीय प्रभाव को कम किया जा सकता है। हालाँकि, परंपरागत परीक्षण विधियों के माध्यम से ऐसे मिश्रणों की संकुचन ताकत (CS) की भविष्यवाणी करना समय-खपत, महंगा है, और त्वरित मिश्रण अनुकूलन को सीमित करता है। यह मशीन लर्निंग (ML) तकनीकों के अपनाने को प्रेरित करता है, जो जटिल डेटासेट का कुशलता से विश्लेषण कर सकते हैं और कंक्रीट प्रदर्शन को प्रभावित करने वाले पैटर्न को पहचान सकते हैं। इस अध्ययन में, तीन ML मॉडल, ग्रेडिएंट बूस्टिंग, बैगिंग रिग्रेशन, और रैंडम फॉरेस्ट (RF), का उपयोग MP और GP को शामिल करते हुए SCC के CS की भविष्यवाणी के लिए किया गया। उनमें से, RF ने सबसे अधिक सटीकता हासिल की (R² = 0.95)। मॉडल की व्याख्यात्मकता को शाप्ले एडिटिव एक्सप्लेनैशंस, आंशिक निर्भरता प्लॉट, और व्यक्तिगत सशर्त अपेक्षा विश्लेषणों के माध्यम से सुनिश्चित किया गया, जिसने ठोस समय को सबसे प्रभावशाली विशेषता के रूप में पहचाना। टेलर प्लॉट और मान्यता मीट्रिक्स ने RF की श्रेष्ठ विश्वसनीयता की पुष्टि की। यह शोध न केवल एक भविष्यवाणी उपकरण के रूप में ML की संभावनाओं को उजागर करता है बल्कि सतत मिश्रण डिजाइन में प्रमुख कारकों को समझने के एक साधन के रूप में भी, अंततः अधिक स्मार्ट और हरित निर्माण प्रथाओं को बढ़ावा देता है।
खान एट अल। (बुध,) ने इस प्रश्न का अध्ययन किया।