Jeopolimer betonun basınç dayanımının tahmini için makine öğrenmesi ve derin öğrenme yaklaşımlarının karşılaştırmalı değerlendirmesi

Daha Yeşil Beton Tasarımında Yeni Bir Yol

Beton modern şehirlerin omurgasıdır, ancak geleneksel çimento üretimi büyük miktarda karbondioksit salımıyla sonuçlanır. Jeopolimer beton daha temiz bir alternatif sunar; yine de mühendisler, sertleştikten sonra ne kadar dayanıklı olacağını tahmin etmekte zorlanır. Bu çalışma, makine öğrenmesi ve derin öğrenme dahil modern veri araçlarının, yüzlerce geçmiş deneyimden öğrenerek jeopolimer beton karışımlarının dayanımını tahmin edebileceğini ve maliyetli deneme partileri azaltılarak daha çevreci inşaata yol gösterebileceğini gösteriyor.

Neden Daha Yeşil Beton Doğru Yapmak Zordur

Jeopolimer beton, sıradan çimentonun büyük bir kısmını uçucu kül, cüruf, metakaolin ve silika fume gibi endüstriyel yan ürünlerle ikame eder. Bu tozlar, alkali sıvılarla reaksiyona girerek standart betona eşdeğer veya daha yüksek dayanım sağlayabilen taş benzeri bir malzeme oluşturabilir ve karbon emisyonlarını yaklaşık %70’e kadar azaltabilir. Ancak bu daha çevreci tarif hassastır: dayanım, toz türü ve miktarı, alkali sıvı dozajı ve konsantrasyonu, su ve kimyasal katkı miktarları, kum ve çakıl taneleri, tokluğu artırmak için eklenen lifler ve malzemenin kür süresi ve koşulları dahil olmak üzere birçok iç içe geçmiş faktöre bağlıdır. Tüm bu bileşenlerin karmaşık, doğrusal olmayan etkileşimleri nedeniyle basit denklemler yeni bir karışımın dayanımını tahmin etmek için yeterli değildir.

Büyük Resmi Gösteren Bir Veri Seti Oluşturmak

Bu karmaşıklığın üstesinden gelmek için yazarlar, 19 yayımlanmış çalışmadan birleşik ve büyük bir veri tabanı derlediler; veri tabanı 594 farklı jeopolimer beton karışımını kapsıyor. Her kayıt, uçucu kül, cüruf, metakaolin, silika fume, kum, çakıl, su, alkali sıvılar ve süperakışkanlaştırıcı miktarları ile çelik ve polipropilen lifler ve kür yaşı (gün olarak) gibi temel bileşenleri tanımlar. Ekip verileri dikkatle temizledi: yinelenenleri çıkardı, birimleri ve değişken adlarını uyumlu hale getirdi ve yalnızca eksiksiz bilgiye sahip karışımları tuttu. Bu, birçok laboratuvarda görülen gerçek dağılımı yansıtan, nispeten zayıftan çok yüksek performanslı betonlara kadar geniş bir dayanım aralığını kapsayan çeşitli fakat tutarlı bir küme üretti.

Makinaların Geçmiş Karışımlardan Öğrenmesine İzin Vermek

Bu veri tabanıyla araştırmacılar bir dizi tahmin modeli eğitti. Klasik tarafta karar ağaçları, rastgele ormanlar ve birçok küçük modeli güçlü bir tahminci hâlinde birleştiren ileri “boosting” teknikleri dahil çeşitli makine öğrenmesi yöntemleri kullandılar. Derin öğrenme tarafında ise farklı derinlikte iki sinir ağı ve en bilgilendirici bileşenlere odaklanmak için dikkat mekanizması kullanan modern bir tabular model olan TabNet test edildi. Veriler, modelleri öğretmek için karışımların %80’inin kullanıldığı ve kalan %20’sinin, her yöntemin görülmemiş sonuçları ne kadar iyi tahmin edebildiğini standart hata ve uygunluk ölçüleriyle sınamak üzere ayrıldığı bir şekilde bölündü.

Hangi Modeller En İyi Çalıştı ve Neden

Makine öğrenmesi yaklaşımları arasında net kazanan, çok doğru dayanım tahminleri veren ve test verileriyle değer aralığı boyunca yakından eşleşen CatBoost adlı bir boosting yöntemi oldu. Başka bir boosted model olan XGBoost yakın bir ikinci sırayı aldı. Derin öğrenme araçları arasında TabNet en iyi performansı gösterdi ve en iyi makine öğrenmesi modeliyle etkili bir şekilde rekabet etti; daha fazla katmana sahip daha derin bir sinir ağı ise aslında daha zayıf sonuç verdi — muhtemelen veri seti bu kadar karmaşık bir yapı için çok mütevazıydı. Bu “kara kutu” tahminleri daha şeffaf hâle getirmek için yazarlar, her girdiye önem puanı atayan SHAP adlı bir açıklama aracı kullandılar. Bu analizler, cüruf içeriği ve kür yaşının dayanım tahmininde sürekli olarak baskın olduğunu, ardından diğer bağlayıcı bileşenlerin, alkali dozajının ve agrega miktarlarının geldiğini; çelik ve plastik liflerin ise kırılma ve tokluğu güçlü şekilde etkileyebilmesine rağmen basınç dayanımı için ikincil bir rol oynadığını gösterdi.

Geleceğin İnşaatı İçin Anlamı

Kısaca, bu çalışma bilgisayarların yüzlerce geçmiş jeopolimer beton tarifinden öğrenerek yeni, çevreci bir karışımın ne kadar güçlü olacağına dair hızlı ve güvenilir tahminler sağlayabileceğini gösteriyor. Çok sayıda deney silindiri döküp kırmak yerine mühendisler, bu modelleri bağlayıcı tozların, aktive edici sıvıların ve kür sürelerinin umut vadeden kombinasyonlarını laboratuvara gitmeden önce daraltmak için kullanabilir. Çalışma ayrıca hangi bileşenlerin daha önemli olduğuna dair pratik rehberlik sunuyor: basınç dayanımı için cüruf oranı, aktive edici düzeyleri ve kür koşullarını doğru ayarlamak, lif miktarlarını ince ince ayarlamaktan çok daha önemlidir. Modellerin daha büyük ve daha standartlaştırılmış veri kümeleri üzerinde doğrulanması gerekse de bu çerçeve, veriyle yönlendirilen, daha düşük karbonlu beton tasarımına doğru önemli bir adımı işaret ediyor.

Atıf: Ezz, H., Bakr, S.M. Comparative evaluation of machine learning and deep learning approaches for compressive strength prediction of geopolymer concrete. Sci Rep 16, 14652 (2026). https://doi.org/10.1038/s41598-026-50705-w

Anahtar kelimeler: jeopolimer beton, makine öğrenmesi, derin öğrenme, basınç dayanımı tahmini, sürdürülebilir inşaat