Contribution of Machine Learning Methods to the Construction Industry: Prediction of Compressive Strength

Hamit ERDAL

Article Details

Contribution of Machine Learning Methods to the Construction Industry: Prediction of Compressive Strength

Authors:

Hamit ERDAL

Publisher:

Pamukkale University

Journal:

Pamukkale University Journal of Engineering Sciences 2015 Vol.21 Issue 3, pp.109-114

Document Type:

Article

Publication Date:

6/2015

Document Language:

English

Document ID (Org No.):

2000577301

Frequency:

Bimonthly

eISSN:

2147-5881

pISSN:

1300-7009

Abstract:

 

Highly accurate prediction of high performance concrete (HPC) compressive strength is very important issue. In recent years, a variety of modeling approaches and methodologies have been applied to predict HPC’s compressive strength from a wide range of variables, with different ratios of success. In this study, an appropriate machine learning method, using different mixing ratios for the prediction of compressive strength of HPC, is investigated. In recent years, rather developing machine learning methods; Artificial Neural Networks (ANN) and Support Vector Machines (SVM)’s applicabilities for the prediction, handled in this study, are being investigated and extremely high results were obtained. In this paper, it’s obtained that prediction success of SVM has been found more satisfactory than ANN's. It is concluded that the SVM’s can be used effectively as an alternative method by research labs and the concrete firms for predicting the strength.

 

Yüksek performanslı beton (high performance concrete, HPC)’un eksenel basınç dayanımının yüksek doğrulukla tahmini son derece önemli bir konudur. Geçtiğimiz yıllarda, çeşitli gelişmiş modelleme yaklaşımları ve metodolojileri kullanılarak farklı başarı oranları ile HPC basınç dayanımı tahminlemeleri uygulanmıştır. Bu çalışmada farklı karışım oranları kullanılarak HPC’lerin eksenel basınç dayanımının tahmininde uygun bir makine öğrenmesi yöntemi araştırılmıştır. Son yıllarda makine öğrenmesinde oldukça gelişmekte olan Yapay Sinir Ağları (YSA) ve Destek Vektör Makineleri (DVM)’nin bu tahminde uygulanabilirliği incenmiş ve son derece yüksek tahmin sonuçları elde edilmiştir. Bu çalışmada DVM’lerin tahmin başarısının YSA’lara oranla daha tatmin edici sonuçlar verdiği görülmüştür. DVM yönteminin araştırma laboratuvarları ve beton firmaları tarafından dayanım tahmininde alternatif bir yöntem olarak etkin bir şekilde kullanılabileceği sonucuna varılmıştır.

Article Details

Contribution of Machine Learning Methods to the Construction Industry: Prediction of Compressive Strength

Authors: Hamit ERDAL

Publisher: Pamukkale University

Journal: Pamukkale University Journal of Engineering Sciences 2015 Vol.21 Issue 3, pp.109-114

Document Type: Article

Publication Date: 6/2015

Document Language: English

Document ID (Org No.): 2000577301

Frequency: Bimonthly

eISSN: 2147-5881

pISSN: 1300-7009

Issues

Authors:

Hamit ERDAL

Publisher:

Pamukkale University

Journal:

Pamukkale University Journal of Engineering Sciences 2015 Vol.21 Issue 3, pp.109-114

Document Type:

Article

Publication Date:

6/2015

Document Language:

English

Document ID (Org No.):

2000577301

Frequency:

Bimonthly

eISSN:

2147-5881

pISSN:

1300-7009