Predicting the Compressive Strength of PVC-Confined Concrete via Machine Learning

Ahmet Emin Kurtoğlu

Makale detayları

Predicting the Compressive Strength of PVC-Confined Concrete via Machine Learning

Yazarlar:

Ahmet Emin Kurtoğlu

Yayıncı:

Igdir University

Ana Başlıklar:

İnşaat Mühendisliğinde Sayısal Modelleme | Kırılma Mekaniği

Dergi:

Iğdır Üniversitesi Fen Bilimleri Enstitüsü Dergisi Vol.15 Issue 2, pp.568-580

Belge Tipi:

Makale

Yayın Tarihi:

1/2025

Belge Dili:

İngilizce

Document ID (Org No.):

2001345238

pISSN:

2536-4618

Anahtar kelimeler:

Özet:

 Polyvinyl Chloride PVC is a promising sustainable alternative to traditional materials for confining concrete in structural applications due to its corrosion resistance, durability, and cost-effectiveness. The present research is focused on the axial compressive strength of PVC-confined concrete short columns with machine learning models for superior predictive accuracy. A database gathered from FEA simulations was utilized to train the Artificial Neural Network ANN and Support Vector Machine SVM models, in which the performance of each model was compared with an available empirical formula. The ANN and SVM models could achieve a high predictive accuracy with R² values close to 1.0 and smaller RMSE values than those by traditional empirical approaches. Results have shown that machine-learning models succeed in capturing complex interactions among the parameters, including PVC thickness, column diameter, and concrete compressive strength, providing a versatile and powerful method for strength prediction. These models offer construction engineers a rapid, cost-effective tool for predicting PVC-confined concrete column strengths without extensive physical testing, potentially accelerating the adoption of sustainable materials in structural design. By reducing experimental costs and design time, the approach demonstrates significant practical value for innovative construction technologies.

 Polyvinyl Chloride PVC is a promising sustainable alternative to traditional materials for confining concrete in structural applications due to its corrosion resistance, durability, and cost-effectiveness. The present research is focused on the axial compressive strength of PVC-confined concrete short columns with machine learning models for superior predictive accuracy. A database gathered from FEA simulations was utilized to train the Artificial Neural Network ANN and Support Vector Machine SVM models, in which the performance of each model was compared with an available empirical formula. The ANN and SVM models could achieve a high predictive accuracy with R² values close to 1.0 and smaller RMSE values than those by traditional empirical approaches. Results have shown that machine-learning models succeed in capturing complex interactions among the parameters, including PVC thickness, column diameter, and concrete compressive strength, providing a versatile and powerful method for strength prediction. These models offer construction engineers a rapid, cost-effective tool for predicting PVC-confined concrete column strengths without extensive physical testing, potentially accelerating the adoption of sustainable materials in structural design. By reducing experimental costs and design time, the approach demonstrates significant practical value for innovative construction technologies.

 Polyvinyl Chloride PVC is a promising sustainable alternative to traditional materials for confining concrete in structural applications due to its corrosion resistance, durability, and cost-effectiveness. The present research is focused on the axial compressive strength of PVC-confined concrete short columns with machine learning models for superior predictive accuracy. A database gathered from FEA simulations was utilized to train the Artificial Neural Network ANN and Support Vector Machine SVM models, in which the performance of each model was compared with an available empirical formula. The ANN and SVM models could achieve a high predictive accuracy with R² values close to 1.0 and smaller RMSE values than those by traditional empirical approaches. Results have shown that machine-learning models succeed in capturing complex interactions among the parameters, including PVC thickness, column diameter, and concrete compressive strength, providing a versatile and powerful method for strength prediction. These models offer construction engineers a rapid, cost-effective tool for predicting PVC-confined concrete column strengths without extensive physical testing, potentially accelerating the adoption of sustainable materials in structural design. By reducing experimental costs and design time, the approach demonstrates significant practical value for innovative construction technologies.

 Polivinil Klorür PVC, korozyon direnci, dayanıklılığı ve maliyet etkinliği sayesinde betonun yapı uygulamalarında sargılanması için geleneksel malzemelere bir alternatif olma potansiyeline sahip sürdürülebilir bir seçenektir. Bu araştırma, PVC ile sargılanmış beton kısa kolonların eksenel basınç dayanımı üzerine yoğunlaşmakta ve yüksek tahmin kapasiteli makine öğrenimi modelleri kullanılmaktadır. Sonlu Elemanlar Analizi FEA simülasyonlarından elde edilen bir veri tabanı kullanılarak, Yapay Sinir Ağı YSA ve Destek Vektör Makinesi DVM modelleri eğitilmiştir ve her modelin performansı mevcut bir ampirik modelle karşılaştırılmıştır. YSA ve DVM modelleri, 1.0a yakın R² değerleri ve geleneksel ampirik yaklaşımlara kıyasla daha düşük RMSE değerleri ile yüksek tahmin doğruluğu elde edebilmiştir. Sonuçlar, makine öğrenimi modellerinin, PVC kalınlığı, kolon çapı ve beton basınç dayanımı gibi parametreler arasındaki karmaşık etkileşimleri başarılı bir şekilde yakalayarak dayanım tahmini için esnek ve güçlü bir yöntem sağladığını göstermiştir. Bu modeller, inşaat mühendislerine kapsamlı fiziksel testlere gerek kalmadan PVC ile sargılanmış beton kolon mukavemetlerini tahmin etmek için hızlı ve uygun maliyetli bir araç sunarak yapısal tasarımda sürdürülebilir malzemelerin benimsenmesini potansiyel olarak hızlandırmaktadır. Bu yaklaşım, deneysel maliyetleri ve tasarım süresini azaltarak yenilikçi inşaat teknolojileri için önemli bir pratik değer ortaya koymaktadır.

Makale detayları

Predicting the Compressive Strength of PVC-Confined Concrete via Machine Learning

Yazarlar:

Ahmet Emin Kurtoğlu

Yayıncı:

Igdir University

Ana Başlıklar:

İnşaat Mühendisliğinde Sayısal Modelleme | Kırılma Mekaniği

Dergi:

Iğdır Üniversitesi Fen Bilimleri Enstitüsü Dergisi Vol.15 Issue 2, pp.568-580

Belge Tipi:

Makale

Yayın Tarihi:

1/2025

Belge Dili:

İngilizce

Document ID (Org No.):

2001345238

pISSN:

2536-4618

Confined concrete

Compressive strength

PVC

Machine learning

Finite element analysisSargılanmış beton

Basınç dayanımı

PVC

Makine öğrenmesi

Sonlu Elemanlar Analizi

Sayı

Makale detayları

Yazarlar: Ahmet Emin Kurtoğlu

Yayıncı: Igdir University

Ana Başlıklar: İnşaat Mühendisliğinde Sayısal Modelleme | Kırılma Mekaniği

Dergi: Iğdır Üniversitesi Fen Bilimleri Enstitüsü Dergisi Vol.15 Issue 2, pp.568-580

Belge Tipi: Makale

Yayın Tarihi: 1/2025

Belge Dili: İngilizce

Document ID (Org No.): 2001345238

pISSN: 2536-4618

Sayı

Yazarlar:

Ahmet Emin Kurtoğlu

Yayıncı:

Igdir University

Ana Başlıklar:

İnşaat Mühendisliğinde Sayısal Modelleme | Kırılma Mekaniği

Dergi:

Iğdır Üniversitesi Fen Bilimleri Enstitüsü Dergisi Vol.15 Issue 2, pp.568-580

Belge Tipi:

Makale

Yayın Tarihi:

1/2025

Belge Dili:

İngilizce

Document ID (Org No.):

2001345238

pISSN:

2536-4618