Ứng dụng các thuật toán học máy dựa trên cấu trúc cây để dự đoán cường độ uốn của bê tông geopolymer hạt nhỏ tính năng cao

Abstract

Những lo ngại về môi trường liên quan đến quá trình sản xuất xi măng Portland đã thúc đẩy sự phát triển của bê tông geopolymer như một giải pháp thay thế bền vững với lượng phát thải carbon thấp hơn. Nghiên cứu này thiết lập một khung dự báo dựa trên học máy được triển khai trên nền tảng WEKA nhằm dự đoán cường độ uốn của bê tông geopolymer hạt nhỏ tính năng cao (BTGHNTNC). Bốn thuật toán học máy bao gồm Random Forest (RF), M5P, Random Tree (RT) và REPTree đã được ứng dụng để đánh giá và so sánh khả năng dự báo. Tập dữ liệu được xây dựng từ 120 mẫu thực nghiệm với các biến đầu vào quan trọng gồm: thành phần vật liệu (tro bay, xỉ lò cao), tỷ lệ nước / chất kết dính (N/CKD) và tuổi bảo dưỡng. Kết quả thực nghiệm cho thấy mô hình Random Tree đạt độ chính xác tối ưu với hệ số tương quan R = 0,9548 và sai số tuyệt đối trung bình MAE = 0,2905MPa trên tập kiểm tra độc lập. Các kết quả này khẳng định các biến đầu vào được lựa chọn đã phản ánh hiệu quả các đặc tính ứng xử phức tạp của BTGHNTNC, đồng thời cung cấp một công cụ dựa trên dữ liệu đáng tin cậy trong việc dự báo tính năng cơ lý của vật liệu.