Prediction of Compressive Strengths for Rice Husks Ash incorporated concrete, Using Neural Network and Reviews

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 mat...

Descripción completa

Detalles Bibliográficos
Autor Principal: Ngandu, Cornelius Ngunjiri
Formato: Artículo (Article)
Lenguaje:Inglés (English)
Publicado: Universidad Santo Tomás. Seccional Bucaramanga 2021
Acceso en línea:http://hdl.handle.net/11634/36226
id ir-11634-36226
recordtype dspace
institution Universidad Santo Tomas
collection DSpace
language Inglés (English)
description 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 de 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.
format Artículo (Article)
author Ngandu, Cornelius Ngunjiri
spellingShingle Ngandu, Cornelius Ngunjiri
Prediction of Compressive Strengths for Rice Husks Ash incorporated concrete, Using Neural Network and Reviews
author_facet Ngandu, Cornelius Ngunjiri
author_sort Ngandu, Cornelius Ngunjiri
title Prediction of Compressive Strengths for Rice Husks Ash incorporated concrete, Using Neural Network and Reviews
title_short Prediction of Compressive Strengths for Rice Husks Ash incorporated concrete, Using Neural Network and Reviews
title_full Prediction of Compressive Strengths for Rice Husks Ash incorporated concrete, Using Neural Network and Reviews
title_fullStr Prediction of Compressive Strengths for Rice Husks Ash incorporated concrete, Using Neural Network and Reviews
title_full_unstemmed Prediction of Compressive Strengths for Rice Husks Ash incorporated concrete, Using Neural Network and Reviews
title_sort prediction of compressive strengths for rice husks ash incorporated concrete, using neural network and reviews
publisher Universidad Santo Tomás. Seccional Bucaramanga
publishDate 2021
url http://hdl.handle.net/11634/36226
_version_ 1712104759404527616
spelling ir-11634-362262021-09-24T13:25:08Z Prediction of Compressive Strengths for Rice Husks Ash incorporated concrete, Using Neural Network and Reviews Predicción de resistencias a la compresión para cáscaras de arroz Hormigón incorporado de ceniza, utilizando redes neuronales y revisión de literatura Ngandu, Cornelius Ngunjiri 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 de 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. 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. 2021-04-20 2021-09-24T13:25:08Z 2021-09-24T13:25:08Z info:eu-repo/semantics/article info:eu-repo/semantics/publishedVersion http://revistas.ustabuca.edu.co/index.php/ITECKNE/article/view/2532 10.15332/iteckne.v18i1.2532 http://hdl.handle.net/11634/36226 eng http://revistas.ustabuca.edu.co/index.php/ITECKNE/article/view/2532/1855 Copyright (c) 2021 ITECKNE application/pdf Universidad Santo Tomás. Seccional Bucaramanga ITECKNE; Vol 18 No 2 (2021) ITECKNE; Vol 18 No 2 (2021) 2339-3483 1692-1798
score 12,131701