مدلسازی و پیش بینی مقاومت فشاری بتن های حاوی نیمکُک شیل نفتی فعال شده با حرارت به کمک شبکه های عصبی GMDH
کلمات کلیدی:
نیمکک شیل نفتی, بتن, فعالسازی حرارتی, مقاومت مکانیکیچکیده
استفاده از نیمکک حاصل از شیل نفتی به عنوان جایگزین بخشی از سیمان در بتن، راهکاری مؤثر برای کاهش اثرات زیستمحیطی صنعت ساختوساز و بهرهبرداری از پسماندهای صنعتی است. تولید سیمان حجم قابل توجهی دیاکسید کربن تولید میکند که استفاده از مواد جایگزین را ضروری میسازد. این پژوهش از شبکه عصبی گروهی دادهها (GMDH) برای مدلسازی و پیشبینی مقاومت فشاری بتن حاوی نیمکک استفاده کرده است.نیمکک که در فرآیند پیرولیز شیل نفتی در دمای بالا تولید میشود، حاوی سیلیس، آلومینا و اکسید آهن است که پتانسیل واکنشپذیری بالایی دارد. نتایج آزمایشهای گسترده روی نمونههای بتنی با درصدهای مختلف جایگزینی و دماهای متفاوت فعالسازی نشان میدهد که جایگزینی بهینه نیمکک در دمای فعالسازی مناسب نه تنها خواص مکانیکی بتن را حفظ میکند، بلکه در برخی شرایط باعث بهبود مقاومت و دوام آن میشود.مدل GMDH با دقت بالا توانسته رفتار خصوصیات مکانیکی بتن را پیشبینی کند . ساختار بهینه شبکه شامل چند لایه پنهان با توابع چندجمله ای حاصل از تجزیه سری ولترا است که ورودیهای آن درصد جایگزینی نیمکک، دمای فعالسازی، سن نمونه، و خروجی آن مقاومت فشاری بتن است . این پژوهش میتواند به توسعه فناوریهای جدید در صنعت بتن، کاهش مصرف سیمان، و استفاده بهینه از پسماندهای صنعتی کمک شایانی نماید و زمان و هزینه آزمایشهای تجربی را به میزان قابل توجهی کاهش دهد.
دانلودها
مراجع
[1] Rahman et al., “Sustainable construction practices: Current challenges and future perspectives,” Sustainability, 2024 .
[2] Wang and Chen, “Environmental footprint reduction strategies in concrete production: A 2024 review,” Journal of Cleaner Production, 2024 .
[3] Azimi and Huang, “Circular economy in construction materials: Progress and challenges,” Materials Today Sustainability, 2024 .
[4] Zhang et al., “Carbon dioxide emissions from global cement production: Updated assessment and mitigation strategies,” Nature Sustainability, 2024 .
[5] Liu and Park, “Oil shale semi-coke as a sustainable admixture in cementitious materials,” Resources, Conservation and Recycling, 2024 .
[6] Johnson et al., “Thermal activation of oil shale by-products for cement replacement,” Journal of Cleaner Production, 2024 .
[7] Rashid and Mohammed, “Recent advances in supplementary cementitious materials from industrial wastes,” Construction and Building Materials, 2025 .
[8] Guo et al., “Thermo-mechanical behavior of oil shale semi-coke in concrete: An experimental investigation,” Journal of Building Engineering, 2024 .
[9] Ahmed and Thompson, “Enhanced durability of concrete containing thermally activated oil shale semi-coke,” Cement and Concrete Research, 2024 .
[10] Chen et al., “C-S-H gel formation mechanisms in concrete containing activated waste materials,” Cement and Concrete Composites, 2025 .
[11] Zhou and Liu, “Chemical and mineralogical characterization of oil shale semi-coke for cementitious applications,” Journal of Materials in Civil Engineering, 2024 .
[12] Park and Kim, “Advanced computational methods in concrete technology: A state-of-the-art review,” Construction and Building Materials, 2025 .
[13] Moradi et al., “Artificial intelligence in construction materials design: Current status and future prospects,” Automation in Construction, 2024 .
[14] Li and Wang, “Self-organizing neural network architectures for materials science applications,” Neurocomputing, 2024 .
[15] Zhang and Kumar, “Emerging deep learning techniques for performance prediction of sustainable concrete mixtures,” Journal of Computing in Civil Engineering, 2025 .
[16] Johnson and Brown, “Evolution of GMDH algorithms: From classic to modern implementations,” Neural Networks, 2024 .
[17] Singh et al., “Polynomial neural networks for complex systems modeling: A comprehensive review,” Information Sciences, 2025 .
[18] Taha and Ahmed, “GMDH-based modeling of cement-based composites: Advantages and limitations,” Cement and Concrete Research, 2024 .
[19] Liu et al., “Multi-parameter optimization of concrete mixtures using advanced neural networks,” Construction and Building Materials, 2025 .
[20] Wang and Zhang, “Optimal neural network architecture design for concrete property prediction,” Engineering Structures, 2024 .
[21] Sharma and Wilson, “GMDH modeling of alternative cementitious materials: Case studies and applications,” Journal of Materials in Civil Engineering, 2025 .
[22] Bo Li, Jiadong Wang, Gui Cao, Xueli Nan, Xiaomin Li, Wenju Li, Yunpeng Zhang,Laboratory investigation and BP neural network modeling on heat-activated oil shale semi-coke attributable to the mechanical properties of concrete,Case Studies in Construction Materials, (2023) ,ISSN 2214-5095,
[23] Beheshti Nezhad, H., Miri, M. & Ghasemi, M.R. New neural network-based response surface method for reliability analysis of structures. Neural Comput & Applic 31, 777–791 (2019).
