Predicción de la resistencia a la compresión del hormigón mediante aprendizaje profundo optimizado y modelos de...

Área de la Ciencia:

• Ciencia de Materiales; Ingeniería Civil; Inteligencia Artificial

Sus antecedentes:

• La predicción de la resistencia a la compresión del hormigón es crucial para la construcción sostenible.; Las complejas interacciones entre los componentes de la mezcla, los aditivos y las condiciones de curado plantean desafíos.; Los métodos existentes a menudo luchan con la naturaleza no lineal de estas interacciones.

Objetivo del estudio:

• Desarrollar un marco híbrido avanzado de IA para mejorar la predicción de la resistencia a la compresión del hormigón.; Mejorar la precisión y robustez de los modelos predictivos para materiales de construcción.; Aprovechar técnicas novedosas de optimización y aprendizaje profundo para aplicaciones en ciencia de materiales.

Principales métodos:

• Integración del algoritmo de optimización iHowOA con redes convolucionales de grafos espacio-temporales (STGCN).; Utilización de un modelo de lenguaje grande (LLM) para el preprocesamiento de datos, incluida la validación semántica y la armonización de características.; Optimización de la arquitectura STGCN utilizando las capacidades de toma de decisiones adaptativas y adquisición de conocimiento de iHowOA.; Modelado basado en grafos para capturar dependencias espaciales y evolución temporal de la resistencia.

Principales resultados:

• El marco propuesto iHowOA-STGCN demostró un rendimiento predictivo superior en comparación con otros diez optimizadores metaheurísticos.; Se lograron errores de predicción más bajos y coeficientes de correlación más altos en un conjunto de datos público.; Se identificaron relaciones clave entre las propiedades del cemento, la ganancia de resistencia dependiente de la edad y las interacciones fisicoquímicas.

Conclusiones:

• El marco iHowOA-STGCN ofrece una prometedora herramienta de apoyo a la toma de decisiones basada en datos para la predicción de la resistencia del hormigón.; El preprocesamiento impulsado por LLM mejora la calidad de los datos y la robustez de la entrada del modelo.; Se recomienda una validación adicional en conjuntos de datos diversos para confirmar la generalización y la aplicabilidad práctica en escenarios del mundo real.