دراسة مقارنة لخوارزميات التعلم الآلي الخاضع للإشراف في التنبؤ بقوة الضغط للخرسانة عند درجات حرارة عالية

تؤثر درجات الحرارة العالية بشكل كبير على طبيعة المواد المستخدمة في إنتاج الخرسانة، مما يقلل من خصائص القوة للخرسانة. إن تحقيق القوة الضغط المطلوبة للخرسانة مهمة صعبة وتستغرق وقتًا طويلاً. ومع ذلك، فإن تطبيق أساليب التعلم الآلي الخاضع للإشراف يجعل من الممكن التنبؤ بالنتيجة المستهدفة بدقة عالية في البداية. تقدم هذه الدراسة استخدام شجرة القرار (DT) وشبكة عصبية اصطناعية (ANN) وتقنيات التجميل والتحسين التدرجي (GB) للتنبؤ بقوة الضغط للخرسانة عند درجات حرارة عالية استنادًا إلى 207 نقاط بيانات. تم استخدام برمجة بايثون في برنامج Anaconda Navigator لتشغيل النماذج المختارة. يتطلب البرنامج معلومات حول كل من المتغيرات المدخلة والبارامتر الناتج. تم تضمين ما مجموعه تسعة بارامترات مدخلة (الماء، الاسمنت، الركام الخشن، الركام الناعم، رماد الفحم، المحسنات الفائقة، غبار السيليكا، السيليكا النانو، ودرجة الحرارة) كمدخلات، بينما تم اختيار متغير واحد (قوة الضغط) كالناتج. تم تقييم أداء خوارزميات التعلم الآلي المستخدمة بناءً على مؤشرات إحصائية، بما في ذلك معامل الارتباط (R2) ومتوسط الخطأ المطلق (MAE) ومتوسط مربع الخطأ (MSE) وجذر متوسط مربع الخطأ (RMSE). أعطت النماذج الفردية باستخدام DT وANN قيم R2 تبلغ 0.83 و0.82 على التوالي، بينما أعطى استخدام خوارزمية التجميع والتحسين التدريجي قيم R2 تبلغ 0.90 و0.88 على التوالي. وهذا يشير إلى وجود ارتباط قوي بين النتائج الفعلية والمتوقعة. أظهرت التحقق المتصالب k-fold ومعامل الارتباط (R2) والأخطاء الأقل (MAE وMSE وRMSE) أداءً أفضل من خوارزميات التجميع. كما تم إجراء تحليلات حساسية للتحقق من مساهمة كل متغير مدخل. وقد أظهرت النتائج أن استخدام خوارزمية التعلم الآلي المتجمعة سيعزز مستوى أداء النموذج.