Ανάπτυξη Μοντέλου Πρόβλεψης Ρεολογικών Χαρακτηριστικών
Αυτοσυμπυκνούμενου Κονιάματος με τη Μέθοδο των Τεχνητών Νευρωνικών Δικτύων

Παπακωνσταντίνου, Αγαπούλα; Papakonstantinou, Agapoula

dc.contributor.author	Παπακωνσταντίνου, Αγαπούλα
dc.contributor.author	Papakonstantinou, Agapoula
dc.date.accessioned	2022-02-02T11:44:28Z
dc.date.available	2022-02-02T11:44:28Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/54525
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.22223
dc.rights	Default License
dc.subject	Αυτοσυμπυκνούμενο κονίαμα	el
dc.subject	Μελέτη σύνθεσης	el
dc.subject	Ρεολογία	el
dc.subject	Τεχνητά νευρωνικά δίκτυα	el
dc.subject	Μηχανική μάθηση	el
dc.subject	Machine learning	en
dc.subject	Artificial neural networks	en
dc.subject	Rheology	en
dc.subject	Mix design	en
dc.subject	Self-compacting mortar	en
dc.title	Ανάπτυξη Μοντέλου Πρόβλεψης Ρεολογικών Χαρακτηριστικών Αυτοσυμπυκνούμενου Κονιάματος με τη Μέθοδο των Τεχνητών Νευρωνικών Δικτύων	el
dc.title	Development of a prediction model of Self-Compacting Mortar’s rheological characteristics using Artificial Neural Network	en
dc.contributor.department	Εθνικό Μετσόβιο Πολυτεχνείο--Μεταπτυχιακή Εργασία. Διεπιστημονικό-Διατμηματικό Πρόγραμμα Μεταπτυχιακών Σπουδών (Δ.Π.Μ.Σ.) “Επιστήμη και Τεχνολογία Υλικών”	el
heal.type	masterThesis
heal.classification	Δομικά Υλικά, Τεχνητά Νευρωνικά Δίκτυα	el
heal.classification	Building Materials, Artificial Neural Networks	en
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2021-07-08
heal.abstract	Τα Αυτοσυμπυκνούμενο Σκυρόδεμα (ΑΣΣ) και Αυτοσυμπυκνούμενο Κονίαμα (ΑΣΚ), αποτελούν ένα πολλά υποσχόμενο είδος δομικών υλικών, μιας και χαρακτηρίζονται από υψηλή ρευστότητα, μεγάλη ικανότητα πλήρωσης και διέλευσης σε συνδυασμό με αντίσταση έναντι διαχωρισμού. Οι ιδιότητες αυτές, συνυπάρχουν αρμονικά στο υλικό όταν αυτό βρίσκεται στη νωπή του κατάσταση, χαρακτηρίζοντας έτσι τη ρεολογική του συμπεριφορά ως εξαιρετική. Για να μπορέσουν όμως οι συγκεκριμένες ιδιότητες να σταθεροποιηθούν ώστε να δημιουργήσουν ένα εύρωστο μίγμα, απαιτείται η μελέτη σύνθεσης του υλικού να ακολουθεί αυστηρούς κανονισμούς, γεγονός που καθιστά απαιτητική την παρασκευή του. Η ανάπτυξη ενός μοντέλου πρόβλεψης ρεολογικών χαρακτηριστικών ΑΣΚ, με βάση τις ιδιότητες των συστατικών του υλικών, φαίνεται ότι θα μπορούσε να επικουρήσει αν όχι να αντικαταστήσει, τη μελέτη σύνθεσης. Για την ανάπτυξη του μοντέλου, χρησιμοποιείται η Μέθοδος των Τεχνητών Νευρωνικών Δικτύων (ΤΝΔ), μέθοδος η οποία είναι ιδανική για επίλυση μη γραμμικών, σύνθετων προβλημάτων. Προκειμένου να εφαρμοστεί, είναι απαραίτητο να διαμορφωθεί μία βάση δεδομένων που περιέχει ανεξάρτητες μεταξύ τους, επιτυχημένες και αποτυχημένες, συνθέσεις ΑΣΚ. Για τον σκοπό αυτόν, λαμβάνουν χώρα πειραματικές διαδικασίες παρασκευής ΑΣΚ, καθώς και βιβλιογραφική έρευνα εύρεσης αντίστοιχων συνθέσεων ΑΣΚ. Με τη συμπλήρωση της βάσης δεδομένων, ξεκινάει η διαδικασία εκπαίδευσης του αλγορίθμου, από την οποία προκύπτει το βέλτιστο δυνατό μοντέλο και μία σειρά αποτελεσμάτων που συσχετίζουν τα φυσικά χαρακτηριστικά ενός μίγματος ΑΣΚ με τα χαρακτηριστικά του μοντέλου ΤΝΔ. Για τα αποτελέσματα που εξετάστηκαν, η τελική ακρίβεια ελέγχου που χαρακτηρίζει το βέλτιστο μοντέλο ανέρχεται σε 85%, γεγονός που επιβεβαιώνεται και από την εφαρμογή δεύτερης, ανεξάρτητης από τη διαδικασία εκμάθησης, συλλογής δεδομένων ελέγχου που περιέχεται στη βάση δεδομένων. Από την άλλη, μίγματα τα οποία περιέχουν μικρή έως μηδενική ποσότητα πρόσθετου υλικού, καθώς και μίγματα που περιέχουν συγκριτικά μεγάλες ποσότητες τσιμέντου, φαίνεται να έχουν ασταθή ρεολογικά χαρακτηριστικά αυτοσυμπυκνοσιμότητας, γεγονός που καθιστά τον αλγόριθμο ανίκανο να τα κατατάξει με ακρίβεια στα ΑΣΚ. Τέλος, θα πρέπει να σημειωθεί ότι λόγω του μικρού πλήθους των συλλεγμένων δεδομένων της βάσης, τα αποτελέσματα του μοντέλου πρόβλεψης θεωρούνται οριακά αξιόπιστα. Το γεγονός αυτό επιτάσσει τη διερεύνηση της προσαρμοστικότητας του μοντέλου πρόβλεψης σε περισσότερα πειραματικά αποτελέσματα, προκειμένου να διευκρινιστεί η αξιοπιστία του.	el
heal.abstract	Self-Compacting Concrete (SCC) and Self-Compacting Mortar (SCM) are rising mixtures in the construction industry taking advantage of their excellent resistance to segregation, i.e. high mixture consistency, flowability and filling ability. These properties coexist harmoniously in the material at its fresh state, thus characterizing its rheological behavior as excellent. In order to stabilize these opposite properties, so that the final mixture is robust, mix design methods of self-compacting mixtures follows strict regulations, which makes their preparation demanding. A prediction model that could solve the complex problem of characterizing a composition of materials with known properties as suitable or not to be a robust and stable self-consolidating mixture, could be able to replace mix design methods. The prediction model for SCM is created using Artificial Neural Network (ANN) techniques, a useful machine learning tool, appropriate for solving complex nonlinear problems. In order to be implemented, it is necessary to configure a database that contains independent, successful and failed, SCM compositions. A number of bibliographic and experimental input data are collected. By filling the database, algorithm’s training process begins and the most accurate model, as well as the translation of ANN model’s features into physical features of a SCM, result. For the results examined, the final test accuracy of the optimized model, accounts approximately 85%, which is confirmed by the implementation of a second data set contained in the database that is independent of the learning process. Also, mixtures containing small to zero amount of mineral additives, as well as mixtures containing relatively large amounts of cement, appear to have unstable rheological self-compacting characteristics, which makes the algorithm unable to predict them accurately. Finally, it should be noted that due to the fact that input data has a relatively small size, these results are marginally trusted. This necessitates the investigation of the adaptability of the prediction model to more experimental results, in order to clarify its reliability.	en
heal.advisorName	Μπαδογιάννης, Ευστράτιος	el
heal.advisorName	Badogiannis, Efstratios	en
heal.committeeMemberName	Μπαδογιάννης, Ευστράτιος	el
heal.committeeMemberName	Τσιβιλής, Σωτήριος	el
heal.committeeMemberName	Τσακαλάκης, Κωνσταντίνος	el
heal.committeeMemberName	Badogiannis, Efstratios	en
heal.committeeMemberName	Tsivilis, Sotirios	en
heal.committeeMemberName	Tsakalakis, Konstantinos	en
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Χημικών Μηχανικών	el
heal.academicPublisherID	ntua
heal.numberOfPages	104 σ.	el
heal.fullTextAvailability	false