KaydedilenlerDerginizi ekleyin

Dergiler / Pamukkale Üniversitesi Mühendislik Bilimleri Dergisi / 2026 / Cilt: 21 Sayı: 3

Makine Öğrenmesi Yöntemlerinin İnşaat Sektörüne Katkısı: Basınç Dayanımı Tahminlemesi

Contribution of Machine Learning Methods to the Construction Industry: Prediction of Compressive Strength

Hamit Erdal
Sayfa
109–114
Yayın Tarihi
2015-07-01
🏛️Bu makalenin bibliyografik verileri ve tam metin bağlantısı DergiPark üzerinden sağlanmıştır.
DergiPark Kaydı ↗
✨

Yapay Zeka Hızlı Bakış & Çıkarımlar

AI Insight
⚡ TL;DR(1 Cümlede Hızlı Çıkarım)

DVM yönteminin araştırma laboratuvarları ve beton firmaları tarafından dayanım tahmininde alternatif bir yöntem olarak etkin bir şekilde kullanılabileceği sonucuna varılmıştır.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Yüksek performanslı beton (high performance concrete, HPC)’un eksenel basınç dayanımının yüksek doğrulukla tahmini son derece önemli bir konudur.
📊
Temel Bulgular & Veri:Geçtiğimiz yıllarda, çeşitli gelişmiş modelleme yaklaşımları ve metodolojileri kullanılarak farklı başarı oranları ile HPC basınç dayanımı tahminlemeleri uygulanmıştır.
💡
Sonuç & Katkı:DVM yönteminin araştırma laboratuvarları ve beton firmaları tarafından dayanım tahmininde alternatif bir yöntem olarak etkin bir şekilde kullanılabileceği sonucuna varılmıştır.
🔬Tür:Laboratuvar & Saha Deneyi
📍Kapsam:Genişletilmiş Akademik Örneklem
⚙️Değişkenler:Yüksek performanslı beton · Yapay sinir ağları · Destek vektör makineleri

Özet

Yüksek performanslı beton (high performance concrete, HPC)’un eksenel basınç dayanımının yüksek doğrulukla tahmini son derece önemli bir konudur. Geçtiğimiz yıllarda, çeşitli gelişmiş modelleme yaklaşımları ve metodolojileri kullanılarak farklı başarı oranları ile HPC basınç dayanımı tahminlemeleri uygulanmıştır. Bu çalışmada farklı karışım oranları kullanılarak HPC’lerin eksenel basınç dayanımının tahmininde uygun bir makine öğrenmesi yöntemi araştırılmıştır. Son yıllarda makine öğrenmesinde oldukça gelişmekte olan Yapay Sinir Ağları (YSA) ve Destek Vektör Makineleri (DVM)’nin bu tahminde uygulanabilirliği incenmiş ve son derece yüksek tahmin sonuçları elde edilmiştir. Bu çalışmada DVM’lerin tahmin başarısının YSA’lara oranla daha tatmin edici sonuçlar verdiği görülmüştür. DVM yönteminin araştırma laboratuvarları ve beton firmaları tarafından dayanım tahmininde alternatif bir yöntem olarak etkin bir şekilde kullanılabileceği sonucuna varılmıştır.

Abstract

Highly accurate prediction of high performance concrete (HPC) compressive strength is very important issue. In recent years, a variety of modeling approaches and methodologies have been applied to predict HPC’s compressive strength from a wide range of variables, with different ratios of success. In this study, an appropriate machine learning method, using different mixing ratios for the prediction of compressive strength of HPC, is investigated. In recent years, rather developing machine learning methods; Artificial Neural Networks (ANN) and Support Vector Machines (SVM)’s applicabilities for the prediction, handled in this study, are being investigated and extremely high results were obtained. In this paper, it’s obtained that prediction success of SVM has been found more satisfactory than ANN's. It is concluded that the SVM’s can be used effectively as an alternative method by research labs and the concrete firms for predicting the strength.

🔖

Bu Makaleye Atıf Yap

Erdal, H. (2015). Makine Öğrenmesi Yöntemlerinin İnşaat Sektörüne Katkısı: Basınç Dayanımı Tahminlemesi. Pamukkale Üniversitesi Mühendislik Bilimleri Dergisi, Cilt: 21 Sayı: 3, 109–114. https://doi.org/10.5505/pajes.2014.26121

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (60)

  1. Machine [1] Yeh IC. “UCI Compressive Repository: Concrete
  2. http://archive.ics.uci.edu/ml/datasets/Concrete+Compr
  3. essive+Strength (20.03.2014). Strength Data Set” [2] Yeh IC. “Modeling of Strength of High-Performance
  4. Concrete Using Artificial Neural Networks”. Cement and
  5. Concrete Research, 28(12), 1797-1808, 1998. [3] Hong-Guang N, Ji-Zong W. “Prediction of Compressive
  6. Strength of Concrete by Neural Networks”. Cement and
  7. Concrete Research, 30(8), 1245-1250, 2000. [4] Seyhan AT, Tayfur G, Karakurt M, Tanoğlu M. “Artificial
  8. Neural Network (ANN) Prediction of Compressive
  9. Strength of VARTM Processed Polymer Composites”.
  10. Computational Materials Science, 34(1), 99-105, 2005. [5] Gupta R, Kewalramani MA, Goel A. “Prediction of Concrete
  11. Strength Using Neural-Expert System”. Journal of
  12. Materials in Civil Engineering, 18(3), 462-466, 2006. [6] Topcu IB, Sarıdemir M. “Prediction of Compressive
  13. Strength of Concrete Containing Fly Ash Using Artificial
  14. Neural Networks and Fuzzy Logic”. Computational
  15. Materials Science, 41(3), 305-311, 2008. [7] Raghu Prasad BK, Eskandari H, Venkatarama Reddy BV.
  16. “Prediction of Compressive Strength of SCC and HPC with
  17. High Volume fly ash Using ANN”. Construction and
  18. Building Materials, 23(1), 117-128, 2009. [8] Khan MI. “Predicting Properties of High Performance
  19. Concrete Containing Composite Cementitious Materials
  20. Using Artificial Neural Networks”. Automation in
  21. Construction, 22, 516-524, 2012. [9] Atıcı U. “Prediction of the Strength of Mineral Admixture
  22. Concrete Using Multivariable Regression Analysis and an
  23. Artificial Neural Network”. Expert Systems with
  24. Applications, 38(8), 9609-9618, 2011. [10] Nikoo M, Zarfam P, Sayahpour H. “Determination of
  25. Compressive Strength of Concrete Using Self Organization
  26. Feature Map (SOFM)”. Engineering with Computers, 31(1),
  27. 121, 2015. [11] Fazel-Zarandi MH, Türksen IB, Sobhani J, Ramezanianpour AA.
  28. Approximation of the Compressive Strength of Concrete”.
  29. Applied Soft Computing, 8(1), 488-498, 2008. for [12] Yeh IC, Lien LC. “Knowledge Discovery of Concrete
  30. Material Using Genetic Operation Trees”. Expert Systems
  31. with Applications, 36(3), 5807–5812, 2009. [13] Cheng MY, Peng HS, Wu YW, Chen TL. “Estimate at
  32. Completion for Construction Projects Using Evolutionary
  33. Support Vector Machine Inference Model”. Automation in
  34. Construction, 19(5), 619–629, 2010. [14] Wang YR, Yu CY, Chan HH. “Predicting Construction Cost
  35. and Schedule Success Using Artificial Neural Networks
  36. Ensemble and Support Vector Machines Classification
  37. Models”. International Journal of Project Management,
  38. 30(4), 470-478, 2012. [15] Cheng MY, Chou JS, Roy AFV, Wu YW. “High-performance
  39. Concrete Compressive Strength Prediction using Time
  40. Weighted Evolutionary Fuzzy Support Vector Machines
  41. Inference Model”. Automation in Construction, 28,
  42. 106–115, 2012. [16] Cheng MY, Firdausi PM, Prayogo D. “High-performance
  43. Concrete Compressive Strength Prediction using Genetic Weighted
  44. Engineering Applications of Artificial Intelligence.
  45. 29, 104-113, 2014. Tree (GWPOT)”. [17] Chou JS, Chiu CK, Farfoura M, Al-Taharwa I. “Optimizing
  46. the Prediction Accuracy of Concrete Compressive Strength
  47. Based on A Comparison of Data-mining Techniques”.
  48. Journal of Computing in Civil Engineering, 25(3), 242-253, 2011. [18] Abraham A, Philip NS, Saratchandran P. “Modeling Chaotic
  49. Behavior of Stock Indices Using Intelligent Paradigms”.
  50. Neural, Parallel & Scientific Computations, 11(1-2), 143- 160, 2003. [19] Huang S, Wu T. “Integrating GA-based Time-scale Feature
  51. Extractions with SVMs for Stock Index Forecasting”.
  52. Expert Systems with Applications, 35(4), 2080-2088, 2008. [20] Öztemel E. Yapay Sinir Ağları. İstanbul, Türkiye, Papatya
  53. Yayıncılık, 2003. [21] Elmas Ç. Yapay Sinir Ağları Kuram, Mimari, Eğitim,
  54. Uygulama. 1. Baskı, Ankara, Türkiye, Seçkin Yayıncılık, 2003. [22] Bayramoğlu MF. Finansal Endekslerin Öngörüsünde
  55. Yapay Sinir Ağı Modellerinin Kullanılması: İMKB Ulusal
  56. 100 Endeksinin Gün İçi En Yüksek ve En Düşük Değerlerinin
  57. Yayımlanmamış Yüksek Lisans Tezi. Karaelmas
  58. Üniversitesi, Zonguldak, Türkiye, 2007. Bir Uygulama.
  59. Based Aerodynamic Analysis of Cable Stayed Bridges”.
  60. Advances in Engineering Software, 40(9), 830-835, 2009.