| Revista: | Iteckne |
| Base de datos: | |
| Número de sistema: | 000587643 |
| ISSN: | 1692-1798 |
| Autores: | Ngandu, Cornelius Ngunjiri1 |
| Instituciones: | 1Egerton University, Egerton, Nakuru. Kenia |
| Año: | 2021 |
| Periodo: | Jul-Dic |
| Volumen: | 18 |
| Número: | 2 |
| Paginación: | 99-107 |
| País: | Colombia |
| Idioma: | Inglés |
| Tipo de documento: | Artículo |
| Resumen en español | El modelado de hormigón que incorpora desechos agrícolas como la ceniza de cáscara de arroz (RHA) podría mejorar potencialmente la utilización de hormigón verde y la aplicación de materiales de construcción sostenibles. Este artículo evalúa la predicción de la resistencia a la compresión para el material cementoso de ceniza de cáscara de arroz (RHA) incorporado en el hormigón utilizando redes neuronales artificiales (ANN), uno de los diversos métodos de predicción. La investigación se basa en varios estudios experimentales previos. Las revisiones de la literatura de 72 conjuntos de datos para RHA incorporaron concreto de 15 investigaciones anteriores, se utilizaron y sometieron a modelos ANN, con una tasa de aprendizaje de 0.06 con funciones de activación tanh. Se consideraron cuatro (4) variables de entrada, a saber: variación de superplastificantes o reductores de agua con respecto al control (%), proporción de agua a aglutinante, porcentaje de RHA y resistencia a la compresión del control. La variable de salida fue la resistencia a la compresión del hormigón incorporado con material cementoso RHA. Se seleccionó la ANN con 15 neuronas en la capa oculta y se indicaron valores generales de 5.10MPa, 0.99, 3.81MPa y 9.73% para el error cuadrático medio de la raíz (RMSE), factor de varianza absoluto (R2), error absoluto medio (MAE) y error de porcentaje absoluto medio (MAPE), respectivamente y para conjuntos de datos de entrenamiento, validación / verificación y pruebas individuales, el RMSE, R2, MAE y MAPE oscilan entre 3.98MPa-6.56MPa, 0.98-0.99, 3.44MPa-4.94MPa y 9.19% 12,41%, respectivamente. En general, tanto el conjunto de datos original como el pronosticado indicaron valores de resistencia más altos y más bajos para el hormigón de material cementoso incorporado de 5-10% y 15-30% de RHA, respectivamente en comparación con las resistencias de control. Teniendo en cuenta que el estudio utilizó datos de diferentes fuentes y con una amplia gama de resistencias del hormigón, la ANN seleccionada mostró un desempeño relativamente bueno. El estudio proporciona un indicador en el que las técnicas de aprendizaje automático podrían predecir con precisión la resistencia del hormigón verde. Según el desempeño del modelo, el porcentaje de materiales cementosos RHA en el concreto y las otras 3 variables de entrada tuvieron un impacto significativo en las resistencias del concreto. Se deben realizar investigaciones futuras para predecir el hormigón verde centrado en una clase de hormigón en particular. |
| Resumen en inglés | Modelling of concrete that incorporates agricultural wastes such as rice husk ash (RHA) could potentially enhance utilization of green concrete and application of sustainable construction materials. This paper evaluations compressive strength prediction for rice husk ash (RHA) cementitious material incorporated concrete using artificial neural networks (ANNs) one of the various prediction methods. The research is based on various previous experimental studies. Literature reviews of 72 datasets for RHA incorporated concrete from 15 previous researches, were used and subjected to ANNs models, having learning rate of 0.06 with tanh activation functions. Four (4) input variables were considered, namely:superplasticizer or water reducers variation from control (%), water to binder ratio, percentage of RHA and control compressive strengths. Output variable was compressive strength of RHA cementitious material incorporated concrete. The ANN with 15 neurons in the hidden layer was selected and indicated overall values of 5.10MPa, 0.99, 3.81MPa and 9.73% for the root mean square error (RMSE), absolute factor of variance (R2), mean absolute error (MAE) and mean absolute percentage error (MAPE) respectively and for individual training, validation/checking and testing datasets, the RMSE, R2, MAE and MAPE ranging between 3.98MPa-6.56MPa, 0.98-0.99, 3.44MPa-4.94MPa and 9.19%-12.41% respectively. Generally, both predicted and original dataset, indicated higher and lower strength values for 5-10% and 15-30% RHA incorporated cementitious material concrete respectively compared to the control strengths. Considering that the study utilized data from different sources and with a wide range of concrete strengths the selected ANN showed relatively good performance. The study provides an indicator that machine learning techniques could accurately predict green concrete strength. Based on model performance the percentage RHA cementitious materials in concrete and the other 3 input variable had a significant impact on concrete strengths. Future research should be conducted to predict green concrete focused on particular concrete class. |
| Disciplinas: | Ingeniería |
| Palabras clave: | Ingeniería civil |
| Keyword: | Civil engineering |
| Texto completo: | Texto completo (Ver PDF) Texto completo (Ver HTML) |
