banner

Noticias

Jul 29, 2023

Predecir la resistencia a la compresión del eco.

Scientific Reports volumen 13, número de artículo: 12149 (2023) Citar este artículo

205 Accesos

Detalles de métricas

Los adoquines de arena de plástico brindan una alternativa sostenible al utilizar desechos plásticos y reducir la necesidad de cemento. Este enfoque innovador conduce a un sector de la construcción más sostenible al promover la preservación del medio ambiente. No se ha ideado ningún modelo o ecuación que pueda predecir la resistencia a la compresión de estos bloques. Este estudio utilizó programación de expresión genética (GEP) y programación de expresión múltiple (MEP) para desarrollar modelos empíricos para pronosticar la resistencia a la compresión de bloques de adoquines de arena de plástico (PSPB) compuestos de plástico, arena y fibra en un esfuerzo por avanzar en el campo. La base de datos contiene 135 resultados de resistencia a la compresión con siete parámetros de entrada. Los valores R2 de 0,87 para GEP y 0,91 para MEP para resistencia a la compresión revelan una relación relativamente significativa entre los valores previstos y reales. MEP superó a GEP al mostrar un R2 más alto y valores más bajos para las evaluaciones estadísticas. Además, se realizó un análisis de sensibilidad que reveló que el tamaño del grano de arena y el porcentaje de fibras juegan un papel esencial en la resistencia a la compresión. Se estimó que aportaban casi el 50% del total. Los resultados de esta investigación tienen el potencial de promover la reutilización de PSPB en la construcción de entornos verdes, impulsando así la protección ambiental y las ventajas económicas.

Los plásticos son un tipo de material sintético fabricado por el hombre que a menudo se emplea en muchas aplicaciones. Debido a su adaptabilidad, la demanda de plásticos ha experimentado un crecimiento espectacular en las últimas décadas. Cada año se generan en el mundo unos 300 millones de toneladas de residuos plásticos, de los cuales 8 millones terminan en los mares1,2. En Malasia se fabricaron alrededor de 2,03 millones de toneladas métricas de desechos plásticos en 2018, según informó la Asociación de Fabricantes de Plástico de Malasia (MPMA)3; la mayoría se destinó a necesidades de embalaje y el resto a las industrias eléctrica y electrónica. Debido a su limitada biodegradabilidad, el aumento de la producción de residuos plásticos ha provocado diversas dificultades medioambientales4. A medida que se desechan cada vez más residuos plásticos en el medio ambiente, se contribuye a la contaminación de la tierra y el mar y se dejan sustancias químicas nocivas5,6. Actualmente se acepta generalmente que los desechos plásticos contribuyen significativamente a la contaminación ambiental, particularmente en los ambientes marinos y acuáticos, con consecuencias negativas para los animales7,8. Debido a su inercia y capacidad de contaminar los ríos, los residuos plásticos han llamado mucho la atención en los últimos años9,10. Según una investigación de Alabi et al.6 y Pinto Da Costa et al.11, la propagación de residuos plásticos está correlacionada con el crecimiento de la población humana, y un mayor número se traduce en una mayor demanda de productos plásticos y, por tanto, en una mayor contaminación.

Se han realizado numerosas acciones, incluido el reciclaje y la prohibición del plástico de un solo uso, para reducir la acumulación de residuos plásticos. Ineficiente debido al tiempo y esfuerzo requerido, menos del 10% de los residuos plásticos se reciclaron en la composición total12. Debido a su durabilidad, los residuos plásticos han sido estudiados como un posible sustituto de materiales de construcción más tradicionales13. Además, los desechos plásticos pueden mejorar la resistencia a la compresión, la tasa de absorción de agua y la longevidad de los materiales de construcción. Los residuos plásticos se han utilizado en una variedad de aplicaciones dentro de la industria de la construcción14,15,16,17. La investigación para reutilizar los residuos plásticos como material alternativo en el sector de la construcción ha ido en aumento durante la última década. Muchos investigadores han examinado recientemente la reutilización de residuos plásticos como componente del material de construcción18,19,20. Si bien las investigaciones han demostrado que se pueden utilizar desechos plásticos en lugar de materiales tradicionales, su uso práctico es limitado. Dado que la reutilización de residuos plásticos en materiales de construcción podría reducir la resistencia a la compresión, ha habido poco consenso sobre el tema. Anteriormente, los investigadores descubrieron que los desechos plásticos aumentan la resistencia a la compresión del producto21,22,23. Por lo tanto, es importante examinar los efectos de la incorporación de desechos plásticos al material de construcción desde el punto de vista de las características físicas y la resistencia a la compresión.

El material de construcción típico para los adoquines es el hormigón, que se compone de cemento, arena, áridos finos y áridos gruesos. Debido al uso extensivo de materiales y energía, particularmente en forma de electricidad, en la producción de cemento, el sector de fabricación de cemento es uno de los que más contribuyen a las emisiones de gases de efecto invernadero. El cemento se utiliza como aglutinante. Se estima aproximadamente que las emisiones de gases de efecto invernadero por tonelada de cemento producida están entre 0,6 y 0,9 toneladas de CO2 equivalente24. El sector del cemento representa entre el 5% y el 6% de todas las emisiones mundiales de gases de efecto invernadero, y la producción de cemento está aumentando a un ritmo del 8% anual en varios países24,25,26. El panel intergubernamental sobre cambio climático ha instado a la introducción de bienes radicalmente novedosos en lugar de productos cementosos24,26. Tras haber tenido un valor de poco más de 200.000 millones de dólares en 2020, se prevé que el mercado de adoquines alcance los 285.100 millones de dólares en 2025, una tasa de crecimiento anual compuesta del 6,5%27.

Los adoquines de plástico y arena (PSPB), fabricados exclusivamente de plástico y arena, son una solución al problema de los residuos plásticos y a la eliminación del consumo de cemento en la industria de la construcción. Las cualidades mecánicas del PSPB se ven afectadas por una serie de variables, incluido el plástico utilizado, la arena utilizada y el tamaño de la arena28,29,30,31. Se debe formular la resistencia a la compresión del PSPB. El empleo de técnicas de computación blanda es la mejor opción para desarrollar fórmulas de diseño de mezclas eficientes y promover la aplicación generalizada de materiales peligrosos en la construcción.

Estudios recientes sobre el alcance de las técnicas de inteligencia artificial (IA) han ayudado al desarrollo de modelos consistentes, confiables y precisos para cuestiones de ingeniería estructural32. Varios investigadores también han utilizado una variedad de técnicas de IA para predecir las propiedades del suelo estabilizado con cemento33,34,35. Los enfoques de IA que utilizan herramientas naturales incluyen la red neuronal artificial (ANN), el algoritmo genético (GA), la programación de múltiples expresiones (MEP), el aumento de gradiente y la regresión de vectores de soporte (SVR)36,37,38,39,40,41 ,42,43,44,45,46. Todos los métodos de IA antes mencionados incluyen "entrenar" la solución utilizando datos existentes. Las técnicas de inteligencia artificial, como la regresión de vectores de soporte y las redes neuronales artificiales, pueden reconocer configuraciones tan intrincadas y proporcionar el patrón generalizado resultante. Por lo tanto, tiene un propósito en el amplio campo de la ingeniería. Estos modelos son réplicas precisas; sin embargo, no proporcionan una expresión empírica aplicable. La implementación generalizada del modelo ANN se ve frenada por su intrincado diseño47,48. El modelo ANN fue creado por científicos para predecir la resistencia al punzonamiento del hormigón. El sobreajuste ocurre cuando los valores predichos de la ANN se comparan con los valores predichos por los códigos de diseño. Debido a su intrincada composición, son difíciles de manipular49,50. Otro problema que surge en estos modelos es la multicolinealidad. El módulo de elasticidad del hormigón con agregado reciclado y la resistencia a la compresión del hormigón con microsílice se evalúan utilizando el método ANN51. Sin embargo, debido a la complejidad de la conexión planificada, nos vimos obligados a depender únicamente de una interfaz gráfica de usuario51.

La programación genética (GP) se diferencia de otros métodos de desarrollo de modelos en que no se basa en relaciones previamente existentes. El programa corto se cifra utilizando cromosomas de longitud fija en la versión más avanzada de GP conocida como programación de expresión genética (GEP)52,53. Además, GEP proporciona una ecuación empírica confiable que tiene aplicaciones prácticas. Como alternativa a otros métodos de pronóstico de aprendizaje automático, se utiliza en casi todas las ramas de la ingeniería civil. Las características mecánicas del hormigón ligero a base de humo de sílice, las propiedades frescas y endurecidas del hormigón autocompactante y la predicción de la resistencia a la compresión en el hormigón elaborado a partir de ceniza de cáscara de arroz son sólo algunos ejemplos54,55,56

También se ha ideado un enfoque novedoso llamado programación de expresiones múltiples (MEP) para abordar las deficiencias antes mencionadas de los métodos convencionales de aprendizaje automático. El MEP es especial porque puede almacenar soluciones de varias ecuaciones (cromosomas) en un solo código. Al final se elige la réplica óptima del problema, basada en los cromosomas elegidos57. MEP, una variante mejorada de GP, puede calcular un resultado correcto incluso si se desconoce la complejidad del objetivo, lo que lo convierte en un algoritmo evolutivo competitivo58. MEP no requiere que se especifique la forma de la ecuación final, a diferencia de otros métodos ML. Las contradicciones matemáticas se detectan a lo largo del proceso de desarrollo del MEP y se corrigen en la formulación final. La decodificación también es considerablemente más fácil en MEP que en otros métodos de computación blanda. Aunque MEP tiene varias ventajas importantes sobre otros algoritmos evolutivos, no se utiliza mucho en el sector de la ingeniería civil. El módulo de elasticidad del hormigón de resistencia alta y normal se ha predicho utilizando MEP40. Para la columna de hormigón restringido, Arabshahi et al.58 sugirieron un concepto de diseño utilizando polímeros reforzados con fibra de aramida.

La resistencia a la compresión del PSPB ha sido el foco de una gran cantidad de estudios experimentales29,59,60,61,62. Sin embargo, adoptar el enfoque experimental requiere mucho tiempo y dinero. Para vincular la resistencia a la compresión del PSPB con los factores porcentuales de la mezcla, es preferible construir una ecuación consistente, confiable y precisa. La literatura muestra que no existen ecuaciones empíricas basadas en MEP o ecuaciones empíricas basadas en GEP para aproximar la resistencia a la compresión del PSPB. Estos modelos, sin embargo, se construyen utilizando los resultados experimentales relevantes. Este trabajo emplea los enfoques de aprendizaje automático GEP y MEP para llenar este vacío de conocimiento y producir una expresión precisa para la resistencia a la compresión futura aproximada del PSPB. Una base de datos amplia y exhaustiva garantizó la coherencia, confiabilidad y exactitud de los modelos establecidos para datos desconocidos. Para el PSPB se desarrolló una ecuación simplificada tanto para GEP como para MEP. Se realizó un análisis estadístico intensivo, de k-fold y de sensibilidad para evaluar la generalización de los modelos construidos. Finalmente, se utilizaron expresiones de regresión lineal y no lineal para comparar el modelo GEP con el modelo MEP.

Esta sección analiza el proceso seguido al desarrollar una ecuación basada en GEP y MEP para determinar la resistencia a la compresión del PSPB. Luego de un breve resumen de GEP y MEP, se discutirá la metodología del estudio. El diagrama de flujo de la metodología se muestra en la Fig. 1.

Diagrama de flujo de la investigación.

Para abordar la necesidad de un enfoque diferente para las cadenas binarias de longitud fija (utilizadas en algoritmos genéticos), Koza presentó una técnica GP63. La metodología GP define cinco parámetros principales: la recopilación de terminales, el conjunto de funciones primitivas, el nivel de evaluación de aptitud, las variables de control y las condiciones de terminación acompañadas del método de clasificación de resultados63. GP es un método de programación flexible porque puede usarse para inducir estructuras no lineales que se asemejan a árboles de análisis. Presupone desde el principio cualquier no linealidad, dados los datos. En el pasado se han empleado no linealidades similares63,64. La incapacidad de dar cuenta del genoma único de una persona es una de las principales deficiencias de la medicina general. El genotipo y el fenotipo en GP tienen la misma estructura no lineal. Esto reduce la probabilidad de que resulte en un lenguaje ingenuo o poco sofisticado. Para abordar las deficiencias del enfoque de GP, Ferreira propone el método GEP63. El hecho de que sólo el genoma se transmita de una generación a la siguiente es un cambio importante en todo GEP. La formación de entidades por un cromosoma individual que contiene varios genes es otra característica notable65. Cada gen en GEP está representado por una colección de constantes terminales y un parámetro de longitud ajustado, y las funciones son operaciones aritméticas. Además, la relación entre la función relacionada y el símbolo cromosómico se estabiliza en los operadores del código genético. Los datos necesarios para construir un modelo empírico se escriben en los cromosomas y se crea un nuevo programa llamado karva para deducir su significado.

Los pasos involucrados en GEP se muestran en la Fig. 2. Comenzando con cromosomas generados aleatoriamente del mismo tamaño para cada individuo, el enfoque luego los convierte en árboles de expresión (ET) y calcula una estimación de la aptitud para cada individuo. La replicación con nuevos individuos continúa durante varias creaciones hasta que se alcanzan los resultados deseables. Las poblaciones pueden cambiarse empleando operaciones genéticas como el cruce, la reproducción y la mutación.

Pasos involucrados en GEP.

El MEP es un método de GP de base lineal, exhaustivo y probado, que utiliza cromosomas lineales para codificar datos. El mecanismo de trabajo del eurodiputado es similar al del GEP. La capacidad de cifrar muchos paquetes de software (soluciones) en un solo cromosoma66 es una parte crucial del MEP, que es un subconjunto único del enfoque GP. Luego, se selecciona el mejor cromosoma evaluando los valores de aptitud para generar el producto final. Según Oltean y Grosan67, un entorno binario que se divide en dos descendientes elegiría inevitablemente dos padres. El procedimiento se repite hasta encontrar el programa óptimo, momento en el que se detienen los criterios. Este es el sitio donde las generaciones futuras comienzan a cambiar. El modelo MEP, al igual que el modelo GEP, permite el ajuste de parámetros. Las variables clave que gobiernan la programación de múltiples expresiones son el número de longitudes de código, subpoblaciones, probabilidad de cruce, tamaño de subpoblación y conjunto de funciones68. Cuando el tamaño de la población es el número total de programas, el cálculo y el tiempo necesarios para calcular se combinan a medida que aumenta el número de subpoblaciones. Además, la longitud del código tiene un impacto importante en el tamaño de las expresiones matemáticas resultantes. La Figura 3 muestra los pasos involucrados en la técnica MEP.

Pasos a seguir en el MEP.

Los conjuntos de datos históricos generalmente se utilizan durante las fases de evaluación y modelado para cada uno de los enfoques de programación genética antes mencionados69,70. A menudo se cree que los métodos GEP y MEP, en particular, son las metodologías GP lineales más destacadas que evalúan adecuadamente la resistencia a la compresión del compuesto de hormigón. En comparación con el del MEP, el sistema operativo del GEP posee un mayor grado de complejidad68. A diferencia del GEP, las partes no codificantes del MEP pueden ubicarse en cualquier parte del cromosoma. Además, las conexiones con los atributos funcionales están claramente documentadas en el método MEP57,67. Debido a estos cambios, el formato MEP es más adecuado para la reutilización de código (a pesar de que está menos condensado que GEP). Además, se afirma que contiene la cabeza y la cola de un cromosoma GEP típico. La cabeza y la cola de un cromosoma GEP típico incluyen símbolos que representan con éxito programas informáticos sintácticamente lógicos, lo que es una prueba más de que el GEP es mucho más eficaz. Como consecuencia directa de esto, se necesitan más estudios para evaluar la eficacia y aplicabilidad de ambos enfoques de GP a un problema de ingeniería particular. Tanto GEP como MEP se utilizan para descubrir respuestas a problemas de optimización; sin embargo, mientras que MEP se centra principalmente en identificar una única ecuación que pueda utilizarse para resolver un problema, GEP se centra más en modelar y aproximar datos. GEP se emplea para identificar soluciones a problemas de optimización.

Los beneficios del MEP son los siguientes71,72; MEP utiliza muchos conjuntos de expresiones en lugar de una sola expresión. Como resultado, el modelo de predicción de la resistencia del material puede dividirse en sus partes o fases constituyentes, que luego pueden comprenderse y analizarse más fácilmente. El tiempo de cálculo necesario para desarrollar el modelo y estimar la resistencia del hormigón se puede reducir drásticamente evaluando en paralelo los numerosos conjuntos de expresiones utilizados en MEP. Esta característica del procesamiento paralelo resulta muy útil cuando se trata de conjuntos de datos enormes. El concepto de epistasis, que describe cómo diferentes genes o expresiones se influyen entre sí, está incorporado en MEP. Como resultado de la incorporación de epistasis, MEP es capaz de dar cuenta de la compleja interacción entre las diferentes variables que afectan la durabilidad del concreto.

Al evaluar el rendimiento de un modelo en un conjunto de entrenamiento o prueba, los errores estadísticos como la raíz del error absoluto medio (MAE), el error cuadrático medio (RMSE), el valor R cuadrado (R2) y el error cuadrático medio normalizado (NRMSE), y fueron utilizados. La capacidad predictiva de un modelo se cuantifica por su R2 (también conocido como coeficiente de determinación)73,74. Las mejoras en los enfoques de modelado de inteligencia artificial (IA) han permitido predicciones más precisas de las propiedades mecánicas del hormigón. En esta investigación se comparan estadísticamente los modelos GEP y MEP mediante el cálculo de criterios de error. Hay muchas medidas que podrían ayudar a explicar por qué el modelo es inexacto. El coeficiente de determinación podrá utilizarse para verificar la fiabilidad y validez del modelo. Los modelos con valores de R2 superiores a 0,50 producen resultados decepcionantes, mientras que los modelos con valores de R2 que se encuentran dentro del rango de 0,65 y 0,75 producen resultados alentadores. La ecuación (1) se puede utilizar para determinar R2. Tanto la entrada como la salida de MAE utilizan las mismas unidades. Es posible que un modelo con un MAE dentro de un determinado rango cometa errores graves en ocasiones. Para determinar MAE utilizamos la Ec. (2). El RMSE es el error cuadrático promedio en estimaciones y mediciones. El error al cuadrado se calcula sumando los cuadrados del error. Este nuevo enfoque otorga mayor peso a los casos extremos que los cálculos anteriores, produciendo grandes diferencias al cuadrado en algunos casos pero menores en otros. A medida que cae el número RMSE, mejora la capacidad del modelo para pronosticar con precisión nuevos datos. El RMSE se calcula usando la ecuación. (3). El RMSE es útil para comparar modelos de diversa complejidad. Una alternativa al RMSE que representa el diferencial observado de la variable es el NRMSE. Por tanto, se puede considerar el NRMSE como una fracción del rango total que el modelo normalmente puede resolver. Usando la ecuación. (4), podemos calcular el NRMSE. Recientemente, varios analistas trabajaron en diferentes aplicaciones de materiales como ingeniería civil y sostenibilidad75,76,77, predicción del flujo de agua de mina y materiales a base de cemento78,79,80, aplicaciones de ingeniería estructural81,82,83, yacimientos reforzados, evolución térmica de la estructura química. y vigas de hormigón84,85,86, suelo reforzado con fibras87, comportamiento de relajación de tensiones88 y terraplenes y cimientos para ferrocarriles de alta velocidad sin balasto89.

Nuestro estudio se basó en pruebas experimentales reales que se realizaron en un laboratorio. El PSPB se fabricó con una amplia gama de proporciones de plástico a arena, tamaños de arena, varios porcentajes de fibra y longitudes de fibra. Los datos incluidos en los modelos se derivaron de experimentos realizados en el pasado90,91. La resistencia a la compresión se ha calculado mediante pruebas de laboratorio de 135 muestras. Los materiales involucrados en el desarrollo de este PSPB fueron plástico, arena y fibras (fibras de basalto y fibras de coco). La Tabla 1 muestra los parámetros de entrada y salida considerados en este análisis. Los estudios con los resultados más prometedores se seleccionan para su posterior análisis. Se eligieron de la literatura siete parámetros de entrada (plástico, tamaño de la arena, longitud de la fibra, arena, porcentaje de fibra, diámetro de la fibra y resistencia a la tracción de la fibra), mientras que todas las demás variables se mantuvieron constantes y se realizó el modelado en este conjunto de datos. . En la literatura anterior se informaron enfoques similares, en los que los otros factores, como los regímenes de curado, el método de preparación, las propiedades físicas y mecánicas de las materias primas y las condiciones ambientales, se mantuvieron constantes92,93,94,95. La Figura 4 y la Tabla 2 presentan la distribución de frecuencia del modelo y las descripciones de datos genéricos, respectivamente. La distribución desempeña un papel en la eficacia de cualquier modelo96. Cabe señalar que se realizaron múltiples pruebas para determinar la validez y precisión de la base de datos. Se descartaron los datos con las tasas de error más altas, mientras que para la predicción del modelo se eligieron aquellos con las tasas de error más bajas97. Los modelos se prueban y entrenan con el uso de los métodos GEP y MEP en este estudio. Los modelos se entrenaron con el 80% de los datos y luego se probaron con el 20% restante. Los resultados de estas pruebas proporcionan un complemento preciso a los de pruebas experimentales anteriores realizadas en una variedad de modelos. Dado que la investigación emplea varios modelos, la exactitud de cada modelo se ha confirmado y evaluado previamente mediante datos de prueba. Se utilizó la evolución genética para entrenar el modelo, mientras que se utilizaron datos de prueba para verificar la precisión del modelo integrado39,98.

Distribución de frecuencia de los datos utilizados en la creación de los modelos (a) arena, (b) plástico, (c) tamaño de arena, (d) porcentaje de fibra, (e) longitud de fibra, (f) diámetro de fibra, (g) fibra resistencia a la tracción, (h) resistencia a la compresión.

Investigadores de diversos ámbitos han planteado la hipótesis de que la proporción de datos indica que la cantidad total de insumos tiene un papel importante en la eficacia del modelo sugerido96,99. Para los mejores modelos99, la proporción debe ser superior a 5 para que se pueda probar la capacidad de los puntos de datos para determinar el vínculo entre las variables elegidas. El presente estudio predice la resistencia a la compresión del PSPB utilizando siete entradas, y la proporción resultante de 19,2 cumple con los requisitos establecidos por los investigadores. Los resultados de la validación cruzada de k veces utilizando GEP y MEP arrojaron información valiosa sobre la eficacia de estos métodos. Los valores máximos de R2 para GEP fueron 0,89, los valores mínimos de R2 para GEP fueron 0,72 y el valor promedio de R2 para GEP fue 0,81. Sin embargo, MEP demostró un rendimiento algo mejor, con un rango R2 de 0,92 a 0,75 y un promedio de 0,86. Estos resultados sugieren que tanto GEP como MEP ajustan adecuadamente los datos, y MEP proporciona un ajuste general ligeramente superior, como se muestra en la Tabla 3. También se calcularon los resultados de MAE, y los resultados para GEP oscilaron entre 1,18 y 1,91, siendo 1,04. el valor promedio. Se observaron resultados alentadores similares con MEP, que tuvo un rango MAE de 1,17 a 0,89 a 1,02. Al mostrar la diferencia absoluta promedio entre los valores previstos y reales, estos números arrojan luz sobre la confiabilidad de los modelos. En términos de MAE, tanto GEP como MEP obtuvieron buenos resultados, lo que indica que pueden generar predicciones confiables. En términos de la estadística RMSE, el GEP osciló entre 1,34 y 1,08, con un promedio de 1,03. Por el contrario, el RMSE del eurodiputado osciló entre 1,23 y 1,01, con un promedio de 1,09. Finalmente, el GEP se midió utilizando la métrica NRMSE, que arrojó un rango extremo de valores (0,079 a 0,053) con un promedio de 0,067. Al dividir el RMSE por el rango de la variable objetivo, la medida NRMSE estandariza el RMSE. Los valores NRMSE para MEP oscilaron entre 0,076 y 0,059, con un promedio de 0,066. La Figura 5 muestra el resultado de la validación cruzada de k veces tanto para GEP como para MEP. En términos de precisión de predicción y variabilidad con respecto a la variable objetivo, los valores NRMSE más cercanos a cero son indicativos de un mayor rendimiento. En conclusión, cuando se probaron mediante validación cruzada de k veces, tanto GEP como MEP mostraron signos de ser altamente efectivos. En general, MEP tuvo un mejor desempeño que GEP, con valores MAE, RMSE y NRMSE más bajos y valores R2 más altos. Estos resultados demuestran la promesa tanto de GEP como de MEP, mientras que el mayor desempeño general de MEP sugiere que puede adaptarse mejor a este conjunto de datos. También se informaron resultados similares anteriormente que mostraban que MEP tuvo un mejor desempeño que GEP100,101.

Validación cruzada de K veces de PSPB para (a) R2, (b) MAE, (c) RMSE, (d) NRMSE.

Además, se llevaron a cabo evaluaciones de errores estadísticos para evaluar la efectividad del modelo, como se muestra en la Tabla 4. Los modelos fueron confiables y precisos en sus predicciones de la resistencia a la compresión del PSPB, como lo muestran el RMSE, MAE y Valores NRMSE. Además, la verificación de errores estadísticos revela que MEP muestra mejores resultados predictivos que GEP al mostrar valores más bajos de MAE, RMSE y NRMSE.

Se utilizó GEP para desarrollar una ecuación empírica para la resistencia a la compresión del PSPB. Al fusionar la programación genética con un algoritmo genético clásico, GEP crea un potente algoritmo evolutivo. El objetivo era formular una fórmula que, dados varios parámetros de entrada, predijera de manera confiable la resistencia a la compresión de los adoquines. Para comenzar, se definieron siete variables de entrada, cada una de las cuales se seleccionó por su impacto potencial en la resistencia a la compresión. Luego, se seleccionaron las variables de entrada y los cinco operadores aritméticos para formar el conjunto terminal. El método GEP dio como resultado la creación de árboles de expresión (ET), que se construyeron utilizando estos símbolos terminales como base y comprendían las cinco operaciones aritméticas básicas, es decir, −, +, x, ÷ y Ln. Las ET del modelo PSPB GEP se representan en la Fig. 6. El método GEP repitió y refinó los árboles de expresión para llegar a la mejor ecuación empírica posible para la resistencia a la compresión en el transcurso de varias generaciones. A cada ET se le asignó una puntuación de aptitud física, y los mejores individuos fueron elegidos, mutados, cruzados y probados nuevamente hasta que se encontró una respuesta excelente.

Árboles de expresión del PSPB para pronosticar la resistencia a la compresión.

Tras la identificación de los tres árboles de subexpresiones (sub-ET), se formó la ecuación empírica final para la resistencia a la compresión de los bloques plásticos de adoquines de arena (PSPB) combinando los resultados de estas ecuaciones. Esta ecuación representa el vínculo entre los factores de entrada y la resistencia a la compresión, como se muestra en la ecuación. (5). Proporciona información útil y una herramienta de predicción que se puede utilizar en el proceso de diseño y producción de adoquines duraderos.

dónde,

Mediante el uso de GEP, se analizó la resistencia a la compresión del PSPB para determinar su eficacia. La evaluación arrojó un valor R2 de 0,87, lo que indica una coincidencia relativamente buena entre la ecuación empírica establecida usando GEP y los datos de resistencia a la compresión reales, como se muestra en la Fig. 7. Para determinar el error entre los valores experimentales y predichos , el error también fue analizado. La resistencia a la compresión predicha fue significativamente diferente de los valores reales en 2,28 MPa, que fue la mayor cantidad de inexactitud que se observó. Por otro lado, el error que se registró como el más bajo fue de 0,08 MPa, lo que indica que la resistencia a la compresión real se aproximaba bastante. Se encontró que una medida general de la diferencia entre los valores anticipados y los valores reales era 0,98 MPa, que se determinó como el valor promedio del error. La Figura 8 muestra la distribución de errores del conjunto de datos real y previsto. Se llevaron a cabo investigaciones adicionales para clasificar los errores según el grado de ocurrencia. Se encontró que el 29,6% de los errores eran inferiores a 0,5 MPa, lo que indica un buen nivel de precisión en la predicción de la resistencia a la compresión dentro de un rango restringido. Un grado razonable de precisión quedó indicado por el hecho de que el 48,1% de los errores totales estuvieron dentro del rango de 0,5 MPa a 1,5 MPa. Por otro lado, el 22,3% del total estuvo compuesto por errores superiores a 1,5 MPa, lo que indica que el modelo de predicción necesita mejoras adicionales. Estos hallazgos proporcionan evidencia de que GEP es un método excelente para desarrollar una ecuación empírica para determinar la resistencia a la compresión del PSPB.

Valores reales y previstos de GEP.

Distribución de errores GEP.

En esta parte, se desarrollan modelos de expresión multinomiales para hacer una predicción sobre la resistencia a la compresión del PSPB en función de siete parámetros diferentes que se ingresaron. Además, la ecuación. (6) contiene ecuaciones empíricas obtenidas de ET para la salida de PSPB que se utilizó para identificar el resultado de la resistencia a la compresión. Estas ecuaciones empíricas se pueden utilizar para estimar el resultado de la resistencia a la compresión. Además, los ET se componen de los mismos cinco operadores aritméticos que antes, es decir, −, +, ×, ÷ y Ln.

La eficacia del PSPB en términos de resistencia a la compresión se investigó empleando una técnica conocida como MEP. El procedimiento de evaluación produjo un valor R2 de 0,91, lo que indica una conexión significativa entre la ecuación empírica derivada por MEP y los valores reales de resistencia a la compresión. La Figura 9 muestra los valores reales y previstos del modelo MEP. Para determinar la diferencia entre los valores reales y previstos, también se analizaron los errores. La distribución de errores del modelo MEP se muestra en la Fig. 10. La resistencia a la compresión proyectada fue significativamente diferente de las lecturas reales en un total de 2,09 MPa, que fue la mayor inexactitud registrada durante el experimento. Por otro lado, el error que se informó como el más pequeño fue de 0,03 MPa, lo que indica que la resistencia a la compresión real se aproximaba bastante. Se determinó que una medida general de la divergencia entre los valores proyectados y reales era 1 MPa, que resultó ser la cantidad promedio de inexactitud detectada. Se llevaron a cabo investigaciones adicionales para clasificar los errores según el grado de ocurrencia. Se encontró que el 22,2% de los errores eran inferiores a 0,5 MPa, lo que indica un alto grado de precisión en la predicción de la resistencia a la compresión dentro de un rango restringido. Este hallazgo fue posible gracias al hecho de que el rango de datos era estrecho. Los errores que oscilaron entre 0,5 MPa y 1,5 MPa representaron el 59,3% del total, lo que indica que un número considerable de pronósticos precisos se encontraban dentro del rango moderado. Por otro lado, los errores mayores a 1,5 MPa representaron el 18,5% del total, lo que indica que el modelo predictivo tiene menos margen de variación de error que el GEP. Estos hallazgos proporcionan evidencia de que la programación de expresiones múltiples es un método viable para desarrollar una ecuación empírica para determinar la resistencia a la compresión de bloques de adoquines de arena plástica. La precisión del modelo parece prometedora, dado que tiene un valor R2 alto y la mayor parte de sus predicciones están dentro de límites de error aceptables.

Valores experimentales y pronosticados del MEP.

Distribución de errores del MEP.

El análisis de sensibilidad es un método útil para evaluar el efecto de variables de entrada variables sobre el resultado previsto de un modelo. Esta técnica es esencial para comprender el comportamiento y la confiabilidad del modelo102. Para comenzar el análisis de sensibilidad, es necesario definir con precisión el problema y al mismo tiempo determinar las variables de entrada que influyen en el resultado del modelo. Después de identificar las variables, la siguiente etapa fue determinar el rango de valores posibles para cada variable de entrada. Este rango debe incluir valores razonables y significativos para los parámetros bajo consideración. El análisis de sensibilidad nos permite evaluar la relevancia relativa y el impacto de cada variable de entrada en la salida del modelo examinando varios valores dentro de los rangos definidos. Este proceso ayuda a determinar qué variables tienen mayor influencia en las predicciones y facilita la toma de decisiones bien informadas basadas en el comportamiento del modelo. En el caso de los PSPB, se llevó a cabo un análisis de sensibilidad para determinar el impacto de varios elementos diferentes en su desempeño con respecto a la resistencia a la compresión. Recientemente, varios analistas trabajaron en diferentes aplicaciones de materiales como ingeniería civil y sustentabilidad95,96,97, predicción del flujo de agua de mina y materiales a base de cemento98,99,100, aplicaciones de ingeniería estructural75,101,102, yacimientos reforzados, evolución térmica de estructuras químicas y vigas de concreto76. 77,78, suelo reforzado con fibra79, comportamiento de relajación de tensiones80 y terraplén y cimentación para ferrocarriles de alta velocidad sin balasto81.

Las ecuaciones (7) y (8) se utilizaron en el proceso de realización del análisis de sensibilidad.

donde, \({f}_{min}{(x}_{i})\) = modelo de pronóstico (resultado mínimo), \({f}_{max}{(x}_{i})\) = modelo de pronóstico (resultado máximo), i = representa el rango de entradas manteniendo fijos todos los demás factores.

Los hallazgos presentaron la contribución porcentual que podría atribuirse a cada elemento, dando así luz a la importancia relativa de las variables. Se descubrió que el tamaño de la arena tuvo el mayor aporte, alrededor del 29,57% entre los componentes evaluados, demostrando el enorme efecto que tiene en el desempeño de los bloques. Se descubrió que influyeba significativamente la proporción de fibras que se incluían en los bloques, con un aporte que rondaba el 21,98% del total. Otros parámetros, como la longitud de la fibra (4,77%), el diámetro de la fibra (16,32%) y la resistencia a la tracción de la fibra (6,87%), también contribuyeron significativamente a la resistencia a la compresión de los bloques de adoquín de arena de plástico. Estos hallazgos brindan información útil para optimizar la fabricación y composición de los adoquines de arena de plástico, que se utilizan actualmente. La Figura 11 muestra que todas las variables tienen un papel importante en la predicción de la resistencia a la compresión del PSPB.

Análisis de sensibilidad del PSPB.

No se han realizado investigaciones sobre el PSPB para generar la ecuación empírica utilizando los métodos GEP y MEP. Para abordar esta brecha de información y generar una expresión precisa para anticipar la resistencia a la compresión de PSPB, el trabajo actual utiliza las metodologías de aprendizaje automático GEP y MEP. La generalización de los modelos construidos se evaluó mediante extensos análisis estadísticos, de k-fold y de sensibilidad. Los modelos GEP y MEP se compararon mediante expresiones de regresión lineal y no lineal. Los siguientes son algunos de los hallazgos particulares de este estudio.

Los valores de resistencia a la compresión R2 de 0,87 para GEP y 0,91 para MEP indican una correlación relativamente fuerte entre los valores previstos y reales. En términos de R2, MEP superó a GEP, lo que indica un ajuste superior a los datos.

MEP desarrolló una ecuación matemática única para predecir la resistencia a la compresión, lo que indica que era más efectiva que GEP para capturar los patrones y relaciones subyacentes en los datos.

Las medidas de error estadístico (MAE, RMSE y NRMSE) fueron menores para MEP (es decir, 0,983, 1,158 y 0,066) que para GEP (es decir, 1,007, 1,174 y 0,069), lo que indica una mayor precisión en la predicción de la resistencia a la compresión.

Los resultados de la validación cruzada de k veces demostraron consistentemente que MEP superó a GEP en términos de predicción de resistencia a la compresión. Esto demuestra la solidez y generalización del modelo.

Según un análisis de sensibilidad, el tamaño de la arena y el porcentaje de fibra tuvieron aproximadamente la mitad del impacto en la resistencia a la compresión que los otros cinco parámetros de entrada. Esto enfatiza la importancia de regular y optimizar estas variables para aumentar la resistencia a la compresión del PSPB.

Los modelos creados podrían utilizarse para determinar la resistencia a la compresión del PSPB para una variedad de valores de parámetros de entrada, ahorrando tiempo y dinero en pruebas futuras. Este estudio se limitó a utilizar siete variables fundamentales (P, S, SS, FbL, Fb, FbD y FbT) para desarrollar modelos de predicción. Sin embargo, otros factores como el régimen de curado, el método de preparación y las condiciones ambientales también afectan la resistencia de un material. Por lo tanto, se requieren más estudios para generar una base de datos más completa que incluya todos los posibles parámetros influyentes para desarrollar modelos para la evaluación de la resistencia de los materiales.

Los conjuntos de datos utilizados y/o analizados durante el estudio actual están disponibles del autor correspondiente previa solicitud razonable.

Jambeck, J. y col. Desafíos y soluciones emergentes al problema de los desechos plásticos terrestres en África. Política de marzo. 96, 256–263. https://doi.org/10.1016/J.MARPOL.2017.10.041 (2018).

Artículo de Google Scholar

Agyeman, S., Obeng-Ahenkora, NK, Assiamah, S. y Twumasi, G. Explotación de residuos plásticos reciclados como aglutinante alternativo para la producción de adoquines. Caso Stud. Construcción Madre. 11, e00246. https://doi.org/10.1016/J.CSCM.2019.E00246 (2019).

Artículo de Google Scholar

Asociación de Fabricantes de Plásticos de Malasia (MPMA) - Noticias 2018, (sin fecha). https://www.mpma.org.my/news-archive/2018-news-archive (consultado el 23 de junio de 2023).

Saikia, N. & De Brito, J. Uso de desechos plásticos como agregado en mortero de cemento y preparación de concreto: una revisión. Construcción Construir. Madre. 34, 385–401. https://doi.org/10.1016/J.CONBUILDMAT.2012.02.066 (2012).

Artículo de Google Scholar

Gilbert, M. Materiales plásticos: introducción y desarrollo histórico, Brydson's Plast. Madre. 8ª ed. (2017) 1–18 https://doi.org/10.1016/B978-0-323-35824-8.00001-3.

Alabi, OA, Ologbonjaye, KI, Awosolu, O. & Alalade, OE Efectos de la eliminación de desechos plásticos en la salud pública y ambiental: una revisión. J. Toxicol. Evaluación de riesgos. https://doi.org/10.23937/2572-4061.1510021 (2019).

Artículo de Google Scholar

Kaiser, J. La suciedad de las manchas de basura oceánica. Ciencia 328, 1506. https://doi.org/10.1126/SCIENCE.328.5985.1506/ASSET/71B43B8B-F358-49ED-A037-12B5E264E83B/ASSETS/GRAPHIC/328_1506_F2.GIF (2010).

Artículo ADS PubMed Google Scholar

Wilcox, C., Van Sebille, E., Hardesty, BD & Estes, JA La amenaza de la contaminación plástica para las aves marinas es global, generalizada y creciente. Proc. Nacional. Acad. Ciencia. Estados Unidos 112, 11899–11904. https://doi.org/10.1073/PNAS.1502108112/SUPPL_FILE/PNAS.1502108112.SAPP.PDF (2015).

Artículo ADS CAS PubMed PubMed Central Google Scholar

Özdilek, HG, Yalçın-Özdilek, Ş., Ozaner, FS & Sönmez, B. Impacto de la basura acumulada en las playas en las crías de Chelonia mydas L. 1758 (tortuga verde) de la costa de Samandağ, Hatay, Turquía, (sin fecha).

Uvarajan, T., Gani, P., Chuan, NC y Zulkernain, NH Reutilización de residuos plásticos en la producción de ladrillos y adoquines: una revisión. EUR. J. Medio Ambiente. Civilización. Ing. 0, 1–34. https://doi.org/10.1080/19648189.2021.1967201 (2021).

Artículo de Google Scholar

Da Costa, JP, Rocha-Santos, T. & Duarte, AC Los impactos ambientales del uso, los residuos y la contaminación de plásticos y microplásticos: medidas nacionales y de la UE (2020).

Popli, K., Park, C., Han, SM y Kim, S. Predicción de tasas de generación de residuos sólidos en la región urbana de Laos utilizando parámetros sociodemográficos y económicos con un enfoque de regresión lineal múltiple. Sostenibilidad 13, 3038. https://doi.org/10.3390/SU13063038 (2021).

Artículo de Google Scholar

Yin, S. y col. Uso de macrofibras plásticas en el hormigón: una revisión. Construcción Construir. Madre. 93, 180–188. https://doi.org/10.1016/J.CONBUILDMAT.2015.05.105 (2015).

Artículo de Google Scholar

Nematzadeh, M., Shahmansouri, AA y Fakoor, M. Resistencia a la compresión posterior al incendio del hormigón con agregado de PET reciclado reforzado con fibras de acero: optimización y predicción mediante RSM y GEP. Construcción Construir. Madre. 252, 119057. https://doi.org/10.1016/J.CONBUILDMAT.2020.119057 (2020).

Artículo CAS Google Scholar

Awoyera, PO, Olalusi, OB, Ibia, S. & Prakash, K. Absorción de agua, resistencia y propiedades a microescala de bloques de hormigón entrelazados hechos con fibra plástica y agregados cerámicos. Caso Stud. Construcción Madre. 15, e00677. https://doi.org/10.1016/J.CSCM.2021.E00677 (2021).

Artículo de Google Scholar

Iftikhar, B. y col. Un enfoque de análisis cienciométrico sobre la arena plástica. Heliyón. 9, e14457. https://doi.org/10.1016/j.heliyon.2023.e14457 (2023).

Artículo PubMed PubMed Central Google Scholar

Sandanayake, M., Bouras, Y., Haigh, R. y Vrcelj, Z. Tendencias sostenibles actuales en el uso de materiales de desecho en el hormigón: revisión de una década. Sostenibilidad 12, 9622. https://doi.org/10.3390/SU12229622 (2020).

Artículo CAS Google Scholar

Corinaldesi, V., Donnini, J. & Nardinocchi, A. Yesos ligeros que contienen residuos plásticos para una construcción sostenible y energéticamente eficiente. Construcción Construir. Madre. 94, 337–345. https://doi.org/10.1016/J.CONBUILDMAT.2015.07.069 (2015).

Artículo CAS Google Scholar

Mir, AH Uso de residuos plásticos en la construcción de pavimentos: un ejemplo de gestión creativa de residuos. J. Ing. 05, 1–57 (2015).

Google Académico

Rokdey, SN, Naktode, PL y Nikhar, MR Uso de residuos plásticos en la construcción de carreteras. En t. J. Computación. Aplica. 7, 27-29 (2015).

Google Académico

Awoyera, PO & Adesina, A. Residuos plásticos en productos de construcción: situación, limitaciones y perspectivas de futuro. Caso Stud. Construcción Madre. 12, e00330. https://doi.org/10.1016/J.CSCM.2020.E00330 (2020).

Artículo de Google Scholar

Gu, L. & Ozbakkaloglu, T. Uso de plásticos reciclados en hormigón: una revisión crítica. Gestión de residuos. 51, 19–42. https://doi.org/10.1016/J.WASMAN.2016.03.005 (2016).

Artículo PubMed Google Scholar

Kamaruddin, MA, Abdullah, MMA, Zawawi, MH & Zainol, MRRA Uso potencial de residuos plásticos como materiales de construcción: avances recientes y perspectivas de futuro. Conferencia de la PIO. Ser. Madre. Ciencia. Ing. 267, 012011. https://doi.org/10.1088/1757-899X/267/1/012011 (2017).

Artículo de Google Scholar

York, IN y Europa, I. El hormigón necesita perder su colosal huella de carbono. Naturaleza 597, 593–594. https://doi.org/10.1038/D41586-021-02612-5 (2021).

Artículo de Google Scholar

Una mayor acción climática está surgiendo en la industria del cemento | CMNUCC, (sin fecha). https://unfccc.int/news/bigger-climate-action-emerging-in-cement-industry (consultado el 16 de abril de 2023).

Suhara, M. Industria, Rusia. Economía. Desarrollo. Más de tres siglos de nuevas inferencias de datos. 183–220 (2019) https://doi.org/10.1007/978-981-13-8429-5_6/COVER.

Negocio rentable de adoquines y bloques, (sin fecha). https://www.entrepreneurindia.co/blog-description/12445/profitable+paving+tiles+and+blocks+business (consultado el 16 de abril de 2023).

Thiam, M., Fall, M. & Diarra, MS Propiedades mecánicas de un mortero con residuos plásticos fundidos como único aglutinante: influencia de la composición del material y el régimen de curado, y aplicación en Bamako. Caso Stud. Construcción Madre. 15, e00634. https://doi.org/10.1016/J.CSCM.2021.E00634 (2021).

Artículo de Google Scholar

Ingabire, D., Ntihemuka, F., Mugabo, G., Isabane, RS & Turatimana, T. Reciclaje de polietileno de alta densidad (HDPE) en materiales de construcción como paso clave en la reducción de desechos plásticos: caso de la ciudad de Kigali, Ruanda. J. Ing. Ciencia. Tecnología. Reinar. https://doi.org/10.4314/rjeste.v1i1.2S (2018).

Artículo de Google Scholar

Owolabi, WF & Amadi, AN Producción de adoquines a partir de residuos plásticos. Pac. J. Ciencias. Tecnología. 21 (2020). http://www.akamaiuniversity.us/PJST.htm (consultado el 15 de febrero de 2022).

Valarmathy, N. & Sindhu, GP Estudio comparativo sobre adoquines de HDPE convencionales con arena m y ceniza de bagazo como materiales constituyentes. En t. J. Civilización. Ing. 8, 1–3. https://doi.org/10.14445/23488352/ijce-v8i1p101 (2021).

Artículo de Google Scholar

Gholampour, A., Gandomi, AH y Ozbakkaloglu, T. Nuevas formulaciones para las propiedades mecánicas del hormigón con áridos reciclados mediante programación de expresión genética. Construcción Construir. Madre. 130, 122-145. https://doi.org/10.1016/J.CONBUILDMAT.2016.10.114 (2017).

Artículo de Google Scholar

Das, SK, Samui, P. & Sabat, AK Aplicación de inteligencia artificial a la máxima densidad seca y resistencia a la compresión ilimitada de suelos estabilizados con cemento. Geotecnología. Geol. Ing. 29, 329–342. https://doi.org/10.1007/S10706-010-9379-4/FIGURES/19 (2011).

Artículo de Google Scholar

Suman, S., Mahamaya, M. & Das, SK Predicción de la densidad seca máxima y la resistencia a la compresión ilimitada del suelo estabilizado con cemento utilizando técnicas de inteligencia artificial. En t. J. Geosintético. Gramo. Ing. 2, 1–11. https://doi.org/10.1007/S40891-016-0051-9/TABLES/5 (2016).

Artículo de Google Scholar

Ngo, HTT, Pham, TA, Vu, HLT y Van Giap, L. Aplicación de inteligencia artificial para determinar la resistencia a la compresión ilimitada de suelos estabilizados con cemento en Vietnam. Aplica. Ciencia. 11, 1949. https://doi.org/10.3390/APP11041949 (2021).

Artículo CAS Google Scholar

Zhao, TH, Khan, MI & Chu, YM Análisis de redes neuronales artificiales (ANN) para la generación de calor y entropía en un flujo de fluido no newtoniano entre dos discos giratorios. Matemáticas. Métodos de aplicación. Ciencia. https://doi.org/10.1002/MMA.7310 (2021).

Artículo de Google Scholar

Khan, MA, Zafar, A., Akbar, A., Javed, MF y Mosavi, A. Aplicación de la programación de expresión genética (GEP) para la predicción de la resistencia a la compresión del hormigón geopolímero. Materiales. 14, 1106. https://doi.org/10.3390/MA14051106 (2021).

Artículo ADS CAS PubMed Central Google Scholar

Taffese, WZ & Abegaz, KA Inteligencia artificial para la predicción de propiedades físicas y mecánicas de suelos estabilizados para viviendas asequibles. Aplica. Ciencia. 11, 7503. https://doi.org/10.3390/APP11167503/S1 (2021).

Artículo CAS Google Scholar

Iftikhar, B. y col. Modelado predictivo de la resistencia a la compresión del hormigón sostenible de ceniza de cáscara de arroz: optimización y comparación del conjunto del alumno. J. Limpio. Pinchar. 348, 131285. https://doi.org/10.1016/J.JCLEPRO.2022.131285 (2022).

Artículo de Google Scholar

Gandomi, AH, Faramarzifar, A., Rezaee, PG, Asghari, A. & Talatahari, S. Nuevas ecuaciones de diseño para el módulo elástico del hormigón mediante programación de múltiples expresiones. J. Civilización. Ing. Gestionar. 21, 761–774. https://doi.org/10.3846/13923730.2014.893910 (2015).

Artículo de Google Scholar

Khan, MA, Aslam, F., Javed, MF, Alabduljabbar, H. & Deifalla, AF Nuevos modelos de predicción para la resistencia a la compresión y la conductividad térmica seca de biocompuestos utilizando nuevos algoritmos de aprendizaje automático. J. Limpio. Pinchar. 350, 131364. https://doi.org/10.1016/J.JCLEPRO.2022.131364 (2022).

Artículo de Google Scholar

Emadi, M. y col. Predicción y mapeo del carbono orgánico del suelo mediante algoritmos de aprendizaje automático en el norte de Irán. Sensores remotos 12, 2234. https://doi.org/10.3390/RS12142234 (2020).

ADS del artículo Google Scholar

Azimi-Pour, M., Eskandari-Naddaf, H. & Pakzad, A. Predicción SVM lineal y no lineal para propiedades frescas y resistencia a la compresión de hormigón autocompactante de alto volumen de cenizas volantes. Construcción Construir. Madre. 230, 117021. https://doi.org/10.1016/J.CONBUILDMAT.2019.117021 (2020).

Artículo de Google Scholar

Bai, C., Nguyen, H., Asteris, PG, Nguyen-Thoi, T. y Zhou, J. Una visión refrescante de los modelos de computación blanda para predecir la deflexión de vigas de hormigón armado. Aplica. Computación suave. J. 97, 106831. https://doi.org/10.1016/j.asoc.2020.106831 (2020).

Artículo de Google Scholar

Mojtahedi, SFF, Ahmadihosseini, A. & Sadeghi, H. Un método basado en datos basado en inteligencia artificial para pronosticar la resistencia a la compresión ilimitada de suelos estabilizados con cemento mediante una técnica de mezcla profunda. Geotecnología. Geol. Ing. 41, 491–514. https://doi.org/10.1007/S10706-022-02297-1/TABLES/8 (2023).

Artículo de Google Scholar

Pham, VN, Oh, E. & Ong, DEL Efectos de los tipos de aglutinantes y otras variables significativas sobre la resistencia a la compresión ilimitada de suelos arcillosos estabilizados químicamente mediante programación de expresión genética. Computación neuronal. Aplica. 34, 9103–9121. https://doi.org/10.1007/S00521-022-06931-0/FIGURES/9 (2022).

Artículo de Google Scholar

Sebaaly, H., Varma, S. & Maina, JW Optimización del proceso de diseño de mezclas asfálticas utilizando redes neuronales artificiales y algoritmos genéticos. Construcción Construir. Madre. 168, 660–670. https://doi.org/10.1016/J.CONBUILDMAT.2018.02.118 (2018).

Artículo de Google Scholar

Feng Liu, Q. y col. Predicción de la difusividad de cloruros en hormigón mediante red neuronal artificial: modelado y evaluación del desempeño. Construcción Construir. Madre. 268, 121082. https://doi.org/10.1016/J.CONBUILDMAT.2020.121082 (2021).

Artículo de Google Scholar

Azim, I. et al. Modelo semianalítico de la capacidad de acción compresiva del arco de estructuras de pórticos de RC. Estructuras. 27, 1231-1245. https://doi.org/10.1016/J.ISTRUC.2020.06.011 (2020).

Artículo de Google Scholar

Sudin, R. & Swamy, N. Compuestos de bambú y fibrocemento de madera para la regeneración sostenible de infraestructuras. J. Mater. Ciencia. 41, 6917–6924. https://doi.org/10.1007/S10853-006-0224-3/TABLES/4 (2006).

Artículo ADS CAS Google Scholar

Behnood, A. & Golafshani, EM Predicción de la resistencia a la compresión del hormigón de humo de sílice utilizando una red neuronal artificial híbrida con lobos grises multiobjetivo. J. Limpio. Pinchar. 202, 54–64. https://doi.org/10.1016/J.JCLEPRO.2018.08.065 (2018).

Artículo CAS Google Scholar

Gandomi, AH, Babanajad, SK, Alavi, AH y Farnam, Y. Enfoque novedoso para el modelado de resistencia del hormigón bajo compresión triaxial. J. Mater. Civilización. Ing. 24, 1132-1143. https://doi.org/10.1061/(ASCE)MT.1943-5533.0000494 (2012).

Artículo de Google Scholar

Azim, I. et al. Modelo de predicción de la capacidad de acción del arco compresivo de estructuras de marco RC en un escenario de eliminación de columnas utilizando programación de expresión génica. Estructuras. 25, 212–228. https://doi.org/10.1016/j.istruc.2020.02.028 (2020).

Artículo de Google Scholar

Amin, MN y cols. Comparación de enfoques de aprendizaje automático con métodos tradicionales para predecir la resistencia a la compresión del hormigón de ceniza de cáscara de arroz. Cristales 2021(11), 779. https://doi.org/10.3390/CRYST11070779 (2021).

Artículo de Google Scholar

Getahun, MA, Shitote, SM y AbieroGariy, ZC Enfoque de modelado basado en redes neuronales artificiales para la predicción de la resistencia del hormigón que incorpora desechos agrícolas y de construcción. Construcción Construir. Madre. 190, 517–525. https://doi.org/10.1016/J.CONBUILDMAT.2018.09.097 (2018).

Artículo de Google Scholar

Shahmansouri, AA, AkbarzadehBengar, H. & Ghanbari, S. Predicción de la resistencia a la compresión de hormigón geopolímero ecoeficiente basado en GGBS utilizando el método GEP. J. Construir. Ing. 31, 101326. https://doi.org/10.1016/j.jobe.2020.101326 (2020).

Artículo de Google Scholar

Oltean, M. Programación de expresiones múltiples (2006). http://www.cs.ubbcluj.ro/∼molteanwww.mep.cs.ubbcluj.ro (consultado el 23 de junio de 2023).

Arabshahi, A., Gharaei-Moghaddam, N. y Tavakkolizadeh, M. Desarrollo de modelos de diseño aplicables para columnas de hormigón confinadas con polímero reforzado con fibra de aramida mediante programación de expresiones múltiples. Estructuras. 23, 225–244. https://doi.org/10.1016/J.ISTRUC.2019.09.019 (2020).

Artículo de Google Scholar

Barboza, LGA, Cunha, SC, Monteiro, C., Fernandes, JO & Guilhermino, L. Bisfenol A y sus análogos en músculo e hígado de peces del Océano Atlántico nororiental en relación con la contaminación por microplásticos. Exposición y riesgo para los consumidores humanos. J. Peligro. Madre. 393, 122419. https://doi.org/10.1016/J.JHAZMAT.2020.122419 (2020).

Artículo CAS PubMed Google Scholar

Gungat, L. et al. Desarrollo de adoquines que contienen plástico reciclado. Conferencia de la PIO. Ser. Madre. Ciencia. Ing. 1144, 012094. https://doi.org/10.1088/1757-899X/1144/1/012094 (2021).

Artículo CAS Google Scholar

Anbarasi, K., Southamirajan, S., Devaki, S., Sathyabalan, PL, Gokul, M. & Kumar, A. Revista de revisiones críticas de adoquines de plástico de residuos plásticos mediante el análisis de las propiedades de los materiales (nd).

Journal, I., Chavan, M., Tamhane, S., Chavan, S. & Phuge, R. IRJET: fabricación de adoquines utilizando residuos de plástico y arena de mar Fabricación de adoquines utilizando residuos de plástico y arena de mar. En t. Res. J. Ing. Tecnología. 4354 (2008).

Koza, JR La programación genética como medio para programar computadoras mediante selección natural. Estadística. Computadora. 42(4), 87–112. https://doi.org/10.1007/BF00175355 (1994).

Artículo de Google Scholar

Alkroosh, IS y Sarker, PK Predicción de la resistencia a la compresión del hormigón geopolímero de cenizas volantes mediante programación de expresión genética. Computadora. Concr. En t. J. 24, 295–302 (2019).

Google Académico

Saridemir, M. Enfoque de programación genética para la predicción de la resistencia a la compresión de hormigones que contienen ceniza de cáscara de arroz. Construcción Construir. Madre. 24, 1911-1919. https://doi.org/10.1016/J.CONBUILDMAT.2010.04.011 (2010).

Artículo de Google Scholar

Iqbal, MF y cols. Utilización sostenible de residuos de fundición: previsión de las propiedades mecánicas del hormigón a base de arena de fundición mediante programación de múltiples expresiones. Ciencia. Medio ambiente total. 780, 146524. https://doi.org/10.1016/J.SCITOTENV.2021.146524 (2021).

Artículo ADS CAS PubMed Google Scholar

Oltean, M. & Grosan, C. Una comparación de varias técnicas de programación genética lineal. Sistema complejo. 14, 285–313 (2004).

MathSciNet MATEMÁTICAS Google Scholar

Fallahpour, A., Olugu, EU & Musa, SN Un modelo híbrido para la selección de proveedores: integración de AHP y programación de expresión múltiple (MEP). Computación neuronal. Aplica. 28, 499–504. https://doi.org/10.1007/S00521-015-2078-6/FIGURES/2 (2017).

Artículo de Google Scholar

Danial Mohammadzadeh, S., Kazemi, SF, Mosavi, A., Nasseralshariati, E. & Tah, JHM Predicción del índice de compresión de suelos de grano fino utilizando un modelo de programación de expresión genética. Infraestructuras 4, 26. https://doi.org/10.3390/INFRASTRUCTURES4020026 (2019).

Artículo de Google Scholar

Alavi, AH, Gandomi, AH, Sahab, MG y Gandomi, M. Programación de múltiples expresiones: un nuevo enfoque para la formulación de la clasificación de suelos. Ing. Computadora. 26, 111-118. https://doi.org/10.1007/S00366-009-0140-7/TABLES/5 (2010).

Artículo de Google Scholar

Oltean, M. Programación de múltiples expresiones: una descripción detallada (2021) https://doi.org/10.21203/rs.3.rs-898407/v1.

Wang, HL y Yin, ZY Resistencia a la compresión ilimitada de arena biocementada: revisión del estado del arte y desarrollo de modelos basados ​​en MEP-MC. J. Limpio. Pinchar. 315, 128205. https://doi.org/10.1016/J.JCLEPRO.2021.128205 (2021).

Artículo ADS CAS Google Scholar

Mosavi, A. & Edalatifar, M. Un algoritmo híbrido neuro-difuso para la predicción de la evapotranspiración de referencia. Lectura. Notas Red. Sistema. 53, 235–243. https://doi.org/10.1007/978-3-319-99834-3_31/PORTADA (2019).

Artículo de Google Scholar

Bemani, A., Baghban, A. y Mosavi, A. Estimación de la difusividad de la salmuera de CO2 utilizando modelos híbridos de ANFIS y algoritmos evolutivos. Ing. Aplica. Computadora. Mecánica de fluidos. 14, 818–834. https://doi.org/10.1080/19942060.2020.1774422/SUPPL_FILE/TCFM_A_1774422_SM4778.XLSX (2020).

Artículo de Google Scholar

Ma, X., Dong, Z., Quan, W., Dong, Y. & Tan, Y. Evaluación en tiempo real de los módulos del pavimento asfáltico y las cargas de tráfico utilizando datos de monitoreo de sensores integrados: algoritmo de identificación y ubicación óptima del sensor . Mec. Sistema. Proceso de señal. 187, 109930 (2023).

Artículo de Google Scholar

Wang, H., Zhang, X. & Jiang, S. Un método de estimación universal de laboratorio y de campo para el ruido de interacción neumático-pavimento (TPIN) basado en tecnología de imágenes 3D. Sostenibilidad 14(19), 12066 (2022).

Artículo de Google Scholar

Luo, Z., Wang, H. & Li, S. Predicción del índice de rugosidad internacional basado en el modelo de fusión de apilamiento. Sostenibilidad. 14(12), 6949 (2022).

Artículo de Google Scholar

Xu, L. y col. Un enfoque de ampliación para predecir la entrada de agua de mina desde los acuíferos de arenisca de los tejados. J. hidrol. 612, 128314 (2022).

Artículo de Google Scholar

Fang, B. y col. Avances de la investigación sobre las propiedades y aplicaciones del cemento de fosfato de magnesio. Cerámica. En t. https://doi.org/10.1016/j.ceramint.2022.11.078 (2022).

Artículo de Google Scholar

Shi, T. y col. Rendimiento de deformación y tenacidad a la fractura de materiales a base de cemento modificados con nanofibras de carbono. ACI Mater. J. 119, 119-128 (2022).

Google Académico

Peng, J. y col. Investigación numérica del efecto de la fragilidad sobre la resistencia y el comportamiento de microfisuras de rocas cristalinas. En t. J. Geomecánica. 22(10), 4022178 (2022).

Artículo de Google Scholar

Liu, Y., Li, J. y Lin, G. Rendimiento sísmico de estructuras nucleares tridimensionales avanzadas con base aislada en sitios de capas complejas. Ing. Estructura. 289, 116247 (2023).

Artículo de Google Scholar

Liu, C. y col. Desarrollo de grietas y daños en el revestimiento del túnel de protección bajo carga sísmica: análisis y modelado de elementos finitos 3D refinados. Estructura de paredes delgadas. 185, 110647 (2023).

Artículo de Google Scholar

Zhang, C. y col. Modelado centrífugo de pilotes estabilizadores de múltiples filas reforzados con deslizamientos de tierra en embalses con diferentes espaciamientos entre filas. Deslizamientos de tierra https://doi.org/10.1007/s10346-022-01994-5 (2022).

Artículo de Google Scholar

Wang, Z., Wang, Q., Jia, C. y Bai, J. Evolución térmica de la estructura química y el mecanismo del betún de arenas bituminosas. Energía 244, 1 (2022).

Artículo de Google Scholar

Huang, H., Yuan, Y., Zhang, W. & Li, M. Comportamiento sísmico de una bisagra de plástico controlable artificial reemplazable para juntas viga-columna de hormigón prefabricado. Ing. Estructura. 245, 112848 (2021).

Artículo de Google Scholar

Wu, Z., Xu, J., Li, Y. y Wang, S. Modelo basado en conceptos de estado perturbado para el comportamiento de ablandamiento por deformación uniaxial de suelos reforzados con fibras. En t. J. Geomecánica. 22(7), 4022092 (2022).

Artículo de Google Scholar

Yu, J. y col. Comportamiento de relajación de tensiones del mármol bajo perturbaciones cíclicas débiles y presiones de confinamiento. Medida 182, 109777 (2021).

Artículo de Google Scholar

Fu, Q., Gu, M., Yuan, J. y Lin, Y. Estudio experimental sobre la velocidad de vibración de terraplenes y cimientos soportados por balsas apiladas para ferrocarriles de alta velocidad sin lastre. Edificios 12(11), 1982 (2022).

Artículo de Google Scholar

Iftikhar, B. y col. Estudio experimental sobre adoquines ecológicos de plástico y arena utilizando residuos de plástico y fibras de basalto. Heliyón. 9, e17107. https://doi.org/10.1016/J.HELIYON.2023.E17107 (2023).

Artículo CAS PubMed PubMed Central Google Scholar

Ahmad, S. y col. Efecto de la fibra de coco sobre adoquines plástico-arena de polietileno de baja densidad. Ain Shams Ing. J. https://doi.org/10.1016/J.ASEJ.2022.101982 (2022).

Artículo de Google Scholar

Li, Y. et al. Resistencia a la compresión del hormigón armado con fibras de acero empleando técnicas de aprendizaje automático supervisadas. Materiales 15, 4209. https://doi.org/10.3390/MA15124209/S1 (2022).

Artículo ADS CAS PubMed PubMed Central Google Scholar

Amin, MN y cols. Métodos de ensayo y modelado para experimentar el comportamiento a flexión de mortero de cemento modificado con polvo de cáscara de huevo. Caso Stud. Construcción Madre. 18, e01759. https://doi.org/10.1016/J.CSCM.2022.E01759 (2023).

Artículo de Google Scholar

Alsharari, F. et al. Uso sostenible de residuos de cáscaras de huevo en materiales cementosos: un estudio experimental y basado en modelos. Caso Stud. Construcción Madre. 17, e01620. https://doi.org/10.1016/J.CSCM.2022.E01620 (2022).

Artículo de Google Scholar

Amin, MN y cols. Enfoques experimentales y de aprendizaje automático para investigar el efecto del polvo de vidrio residual sobre la resistencia a la flexión del mortero de cemento. MÁS UNO 18, e0280761. https://doi.org/10.1371/JOURNAL.PONE.0280761 (2023).

Artículo CAS PubMed PubMed Central Google Scholar

Gandomi, AH & Roke, DA Evaluación de redes neuronales artificiales y programación genética como herramientas predictivas. Adv. Ing. Software. 88, 63–72. https://doi.org/10.1016/j.advengsoft.2015.05.007 (2015).

Artículo de Google Scholar

Iqbal, MF y cols. Predicción de propiedades mecánicas del hormigón verde incorporando arena de fundición residual basada en programación de expresión genética. J. Peligro. Madre. 384, 121322. https://doi.org/10.1016/J.JHAZMAT.2019.121322 (2020).

Artículo CAS PubMed Google Scholar

Javed, MF y cols. Aplicaciones de programación de expresión génica y técnicas de regresión para estimar la resistencia a la compresión del hormigón a base de ceniza de bagazo. Cristales 10, 737. https://doi.org/10.3390/CRYST10090737 (2020).

Artículo CAS Google Scholar

Manual de análisis de datos-IE Frank, Roberto Todeschini - Google Books, (sin fecha). https://books.google.com.pk/books?hl=en&lr=&id=SXEpB0H6L3YC&oi=fnd&pg=PP1&ots=zglHRO3-K7&sig=K8w1GGGO-L8unSke0Dis-VXoF4U&redir_esc=y#v=onepage&q&f=false (consultado el 17 de abril de 2022).

Jalal, FE et al. Estimación indirecta de la presión de hinchamiento de suelos expansivos: modelización GEP versus MEP. Adv. Madre. Ciencia. Ing. https://doi.org/10.1155/2023/1827117 (2023).

Artículo de Google Scholar

Iftikhar Faraz, M. et al. Un análisis completo de GEP y MEP de un hormigón a base de cemento que contiene metacaolín. Estructuras. 53, 937–948. https://doi.org/10.1016/J.ISTRUC.2023.04.050 (2023).

Artículo de Google Scholar

Sin, G., Gernaey, KV y Lantz, AE Buenas prácticas de modelado para aplicaciones PAT: propagación de la incertidumbre de entrada y análisis de sensibilidad. Biotecnología. Prog. 25, 1043–1053. https://doi.org/10.1002/BTPR.166 (2009).

Artículo CAS PubMed Google Scholar

Descargar referencias

Los autores expresan su gratitud al Proyecto de Apoyo a Investigadores de la Universidad Princesa Nourah bint Abdulrahman (Subvención No. pnursp2023R12), Universidad Princesa Nourah bint Abdulrahman, Riyadh, Arabia Saudita. Los autores desean agradecer al Ministerio de Educación Superior de Malasia y a la Universiti Teknologi Malaysia por su apoyo financiero a través de la subvención FRGS 5F454 y la subvención de investigación HiCoE 4J224.

Escuela de Ingeniería Civil, Universiti Teknologi Malaysia, 81310, Johor Bahru, Johor, Malasia

Bawar Iftikhar y Mohammadreza Fafaei

Departamento de Ingeniería Civil, Universidad COMSATS Islamabad, Abbottabad Campus, Abbottabad, 22060, Pakistán

Bawar Iftikhar y Muhammad Faisal Javed

Instituto de Ruido y Vibraciones, Escuela de Ingeniería Civil, Universiti Teknologi Malaysia, 81310, Johor Bahru, Johor, Malasia

Sofía C. Más bien

Departamento de Arquitectura, Universidad de Ingeniería y Tecnología de Peshawar, Campus de Abbottabad, Abbottabad, Pakistán

Muhammad Faisal Rehman

Facultad de Ingeniería Química, Nueva Universidad de Uzbekistán, Tashkent, Uzbekistán

Sherzod Shukhratovich Abdullaev

Departamento de Ciencia e Innovación, Universidad Pedagógica Estatal de Tashkent que lleva el nombre de Nizami, calle Bunyodkor 27, Tashkent, Uzbekistán

Sherzod Shukhratovich Abdullaev

Departamento de Física, Facultad de Ciencias, Universidad Princesa Nourah Bint Abdulrahman, PO Box 84428, 11671, Riyadh, Arabia Saudita

Nissan OK

Departamento de Matemáticas y Estadística, Universidad Internacional Riphah, I-14, Islamabad, 44000, Pakistán

M. Ijaz Khan

Departamento de Ingeniería Mecánica, Universidad Libanesa Americana, Kraytem, ​​Beirut, 1102-2801, Líbano

M. Ijaz Khan

Centro de Investigación, Facultad de Ingeniería, Universidad del Futuro en Egipto, Nuevo Cairo, 11835, Egipto

Ahmed Hassan

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

Todos los autores contribuyen por igual en el trabajo de investigación.

Correspondencia a M. Ijaz Khan.

Los autores declaran no tener conflictos de intereses.

Springer Nature se mantiene neutral con respecto a reclamos jurisdiccionales en mapas publicados y afiliaciones institucionales.

Acceso Abierto Este artículo está bajo una Licencia Internacional Creative Commons Attribution 4.0, que permite el uso, compartir, adaptación, distribución y reproducción en cualquier medio o formato, siempre y cuando se dé el crédito apropiado al autor(es) original(es) y a la fuente. proporcione un enlace a la licencia Creative Commons e indique si se realizaron cambios. Las imágenes u otro material de terceros en este artículo están incluidos en la licencia Creative Commons del artículo, a menos que se indique lo contrario en una línea de crédito al material. Si el material no está incluido en la licencia Creative Commons del artículo y su uso previsto no está permitido por la normativa legal o excede el uso permitido, deberá obtener permiso directamente del titular de los derechos de autor. Para ver una copia de esta licencia, visite http://creativecommons.org/licenses/by/4.0/.

Reimpresiones y permisos

Iftikhar, B., Alih, SC, Vafaei, M. et al. Predecir la resistencia a la compresión de adoquines de arena de plástico ecológicos mediante expresión genética y programación de inteligencia artificial. Representante científico 13, 12149 (2023). https://doi.org/10.1038/s41598-023-39349-2

Descargar cita

Recibido: 09 de marzo de 2023

Aceptado: 24 de julio de 2023

Publicado: 27 de julio de 2023

DOI: https://doi.org/10.1038/s41598-023-39349-2

Cualquier persona con la que compartas el siguiente enlace podrá leer este contenido:

Lo sentimos, actualmente no hay un enlace para compartir disponible para este artículo.

Proporcionado por la iniciativa de intercambio de contenidos Springer Nature SharedIt

Al enviar un comentario, acepta cumplir con nuestros Términos y pautas de la comunidad. Si encuentra algo abusivo o que no cumple con nuestros términos o pautas, márquelo como inapropiado.

COMPARTIR