⚡ electrical engineering

Optimization of the Ternary Concrete Mix Design using Gaussian Process Regression

यह अध्ययन प्रदर्शित करता है कि गाऊसी प्रक्रिया प्रतिगमन (Gaussian Process Regression) ग्राउंड ग्रेनुलेटेड ब्लास्ट फर्नेस स्लैग और लाइमस्टोन पाउडर का उपयोग करके टिकाऊ तृतीयक कंक्रीट मिश्रण के यांत्रिक प्रदर्शन को अनुकूलित करने के लिए एक बेहतर भविष्य कहनेवाला मॉडल है, जो कार्बन उत्सर्जन को कम करते हुए शक्ति गुणों के इष्टतम संतुलन के रूप में 30% GGBFS और 15% LSP मिश्रण की पहचान करता है।

मूल लेखक: Shishir C. Roy, James Wilde, Yoo J. Kim

प्रकाशित 2026-07-01

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Shishir C. Roy, James Wilde, Yoo J. Kim

मूल पेपर CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आप एक मास्टर शेफ हैं जो एक आदर्श, पर्यावरण के अनुकूल कंक्रीट का "रेसिपी" बनाने की कोशिश कर रहे हैं। पारंपरिक रूप से, कंक्रीट 'ऑर्डिनरी पोर्टलैंड सीमेंट' (OPC) पर निर्भर करता है, जो एक केक के मुख्य घटक जैसा है लेकिन इसके साथ एक भारी पर्यावरणीय लागत आती है: इसे बनाने से भारी मात्रा में CO2 निकलती है, जो बिल्कुल वैसा ही है जैसे कोई फैक्ट्री धुआं उगल रही हो।

इसे ठीक करने के लिए, शोधकर्ताओं ने इस "धुआं छोड़ने वाले" सीमेंट को दो अन्य सामग्रियों के साथ बदलने का फैसला किया: ग्राउंड ग्रेनुलेटेड ब्लास्ट फर्नेस स्लैग (GGBFS) और लाइमस्टोन पाउडर (LSP)। GGBFS को एक ऐसे मसाले के रूप में सोचें जो समय के साथ और मजबूत होता जाता है, और लाइमस्टोन पाउडर को एक महीन आटे की तरह जो मिश्रण को शुरुआत में आपस में चिपकाने में मदद करता है।

उन्होंने क्या किया और उन्हें क्या मिला, इसे सरल भाषा में यहाँ समझाया गया है:

1. प्रयोग: "कंक्रीट केक" बनाना

टीम ने 25 अलग-अलग रेसिपी बनाईं। उन्होंने सभी के लिए पानी की मात्रा समान रखी लेकिन दोनों नई सामग्रियों के अनुपात को बदल दिया:

GGBFS: उन्होंने सीमेंट को 0% से 40% तक बदलने की कोशिश की।
लाइमस्टोन पाउडर: उन्होंने सीमेंट को 0% से 20% तक बदलने की कोशिश की।

उन्होंने इन मिश्रणों से सिलेंडर और बीम बनाए और उन्हें सूखने और सख्त होने के लिए छोड़ दिया, फिर यह देखने के लिए परीक्षण किया कि वे 7, 14, 28 और 90 दिनों में कितने मजबूत थे।

2. परिणाम: क्या सबसे अच्छा काम आया?

"धीमे और निरंतर" का विजेता: जिस मिश्रण में 30% GGBFS और कोई लाइमस्टोन नहीं था, वह 90 दिनों के बाद सबसे मजबूत निकला। यह पारंपरिक सीमेंट-केवल मिश्रण की तुलना में भी अधिक मजबूत (लगभग 7% अधिक) था। यह एक धीमी आंच पर पकाए गए स्टू (stew) की तरह है जिसका स्वाद लंबे समय तक रखे रहने के बाद बेहतर होता है।
"संतुलित" विजेता: जिस मिश्रण में 15% लाइमस्टोन और 30% GGBFS था, वह सबसे अधिक सर्वांगीण (well-rounded) था। यह केवल एक श्रेणी में नहीं जीता; इसने मजबूती, दरार प्रतिरोध (tensile strength), और झुकने के प्रतिरोध (flexural strength) में बहुत अच्छा प्रदर्शन किया।
चेतावनी: यदि उन्होंने बहुत अधिक लाइसमस्टोन (20% से अधिक) का उपयोग किया, तो कंक्रीट कमजोर हो गया। यह ऐसा था जैसे केक में बहुत अधिक आटा डाल दिया हो; यह ठीक से आपस में जुड़ नहीं पाया।

3. "क्रिस्टल बॉल": AI के साथ भविष्य की भविष्यवाणी करना

शोधकर्ता केवल इन 25 मिश्रणों का परीक्षण नहीं करना चाहते थे; वे किसी भी मिश्रण की मजबूती की भविष्यवाणी करने का एक तरीका चाहते थे बिना उसे 90 दिनों तक टेस्ट किए। इसके लिए, उन्होंने दो प्रकार के "AI शेफ" (कंप्यूटर मॉडल) का उपयोग किया:

"गौसियन प्रोसेस रिग्रेशन" (GPR) मॉडल: इस मॉडल को एक सावधान मौसम विज्ञानी के रूप में सोचें। यह केवल मौसम (या कंक्रीट की मजबूती) का अनुमान नहीं लगाता है; यह आपको यह भी बताता है कि वह अपने अनुमान को लेकर कितना आश्वस्त है। यदि उसने किसी विशिष्ट रेसिपी के लिए बहुत कम डेटा पॉइंट देखे हैं, तो वह कहता है, "मैं 100% निश्चित नहीं हूँ, यहाँ संभावनाओं की एक सीमा है।"
- परिणाम: यह कंप्रेसिव स्ट्रेंथ (कंक्रीट कितना भार सह सकता है) की भविष्यवाणी करने के लिए सबसे अच्छा मॉडल था। यह सटीक था और इसने शोधकर्ताओं को एक "सुरक्षा मार्जिन" (अनिश्चितता सीमा) भी दिया जो सुरक्षित संरचनाएं बनाने के लिए महत्वपूर्ण है।
"आर्टिफिशियल न्यूरल नेटवर्क" (ANN) मॉडल: इस मॉडल को एक पैटर्न पहचानने वाले कलाकार के रूप में सोचें। यह सामग्रियों को देखता है और जटिल, छिपे हुए संबंधों को खोजने की कोशिश करता है।
- परिणाम: यह कंप्रेसिव स्ट्रेंथ की भविष्यवाणी करने में ठीक था, लेकिन आश्चर्यजनक रूप से, यह टेंसिल और फ्लेक्सुरल स्ट्रेंथ (दरार और झुकने के प्रति प्रतिरोध) की भविष्यवाणी करने में GPR मॉडल से बेहतर था। यह सुझाव देता है कि झुकने की मजबूती और सामग्रियों के बीच का संबंध इतना जटिल है कि "कलाकार" मॉडल उन पैटर्नों को देख सका जिन्हें "मौसम विज्ञानी" मॉडल मिस कर गया था।

4. मुख्य निष्कर्ष

पेपर यह निष्कर्ष निकालता है कि:

आप मजबूत, पर्यावरण के अनुकूल कंक्रीट बना सकते हैं सीमेंट को GGBFS और थोड़े से लाइमस्टोन के साथ बदलकर।
"संतुलित" रेसिपी (15% लाइमस्टोन, 30% GGBFS) सामान्य निर्माण आवश्यकताओं के लिए सबसे उपयुक्त है।
मशीन लर्निंग एक शक्तिशाली उपकरण है। विशेष रूप से, GPR मॉडल को इंजीनियरों के लिए प्राथमिक उपकरण के रूप में अनुशंसित किया जाता है क्योंकि यह न केवल मजबूती की भविष्यवाणी करता है बल्कि उन्हें यह भी बताता है कि वे उस भविष्यवाणी पर कितना भरोसा कर सकते हैं। सुरक्षा के लिए यह अत्यंत महत्वपूर्ण है।

संक्षेप में, शोधकर्ताओं ने पाया कि वे मजबूती से समझौता किए बिना कंक्रीट को हरा-भरा (eco-friendly) बना सकते हैं, और उन्होंने एक स्मार्ट कंप्यूटर टूल बनाया है जो इंजीनियरों को पूरे आत्मविश्वास के साथ इन नए मिश्रणों को डिजाइन करने में मदद करता है।

तकनीकी सारांश: गॉसियन प्रोसेस रिग्रेशन का उपयोग करके टर्नरी कंक्रीट मिक्स डिज़ाइन का अनुकूलन

समस्या विवरण
साधारण पोर्टलैंड सीमेंट (OPC) के उत्पादन से वैश्विक CO₂ उत्सर्जन का लगभग 7-8% हिस्सा आता है, जिसके लिए टिकाऊ, कम कार्बन वाले कंक्रीट विकल्पों के विकास की आवश्यकता है। जबकि ग्राउंड ग्रैनुलेटेड ब्लास्ट फर्नेस स्लैग (GGBFS) और लाइमस्टोन पाउडर (LSP) जैसे पूरक सीमेंट सामग्री (SCMs) क्लिंकर सामग्री को कम करने के लिए व्यवहार्य मार्ग प्रदान करते हैं, उनके संयुक्त उपयोग से टर्नरी ब्लेंडेड सिस्टम में जटिल, गैर-रेखीय अंतःक्रियाएं उत्पन्न होती हैं। GGBFS दीर्घकालिक मजबूती को बढ़ाता है लेकिन अक्सर प्रारंभिक अवस्था की मजबूती के विकास में देरी करता है। इसके विपरीत, LSP एक न्यूक्लिएशन एजेंट और फिलर के रूप में कार्य करता है, जो संभावित रूप से प्रारंभिक मजबूती के नुकसान की भरपाई कर सकता है, फिर भी अत्यधिक प्रतिस्थापन से सीमेंटयुक्त चरणों का पतलापन और यांत्रिक प्रदर्शन में कमी आ सकती है। पारंपरिक अनुभवजन्य मॉडलिंग इन सहक्रियात्मक प्रभावों और छोटे-से-मध्यम डेटासेट में अंतर्निहित प्रयोगात्मक शोर (experimental noise) को पकड़ने में संघर्ष करती है। इसके अलावा, टर्नरी GGBFS-LSP प्रणालियों के लिए कई यांत्रिक गुणों को एक साथ पूर्वानुमानित करने के लिए संभाव्य मशीन लर्निंग विधियों को लागू करने में एक अंतराल मौजूद है।

कार्यप्रणाली
इस अध्ययन ने प्रयोगात्मक लक्षण वर्णन (experimental characterization) और उन्नत मशीन लर्निंग मॉडलिंग को संयोजित करते हुए एक दोहरी पद्धति का उपयोग किया:

प्रयोगात्मक कार्यक्रम: पच्चीस विशिष्ट टर्नरी कंक्रीट मिक्स डिज़ाइन तैयार किए गए जिनमें बाइंडर द्रव्यमान के आधार पर 0.40 का स्थिर जल-बाइंडर अनुपात रखा गया। इन मिश्रणों में GGBFS प्रतिस्थापन स्तरों को 0–40% और LSP प्रतिस्थापन स्तरों को 0–20% के बीच भिन्न किया गया। नमूनों को 23 ± 2°C पर सुधारा गया और संपीड़न शक्ति (compressive strength), स्प्लिटिंग टेंसाइल स्ट्रेंथ (splitting tensile strength), और फ्लेक्सुरल स्ट्रेंथ (flexural strength) के लिए 7, 14, 28, और 90 दिनों पर परीक्षण किया गया।
मशीन लर्निंग मॉडलिंग: दो एल्गोरिदम विकसित और तुलना की गईं:
- गॉसियन प्रोसेस रिग्रेशन (GPR): एक गैर-पैरामीट्रिक बेयसियन विधि जिसे इसकी इस क्षमता के लिए चुना गया कि यह बिंदु भविष्यवाणियों (point predictions) के साथ-साथ अनिश्चितता अनुमान (कॉन्फिडेंस इंटरवल) भी प्रदान कर सकती है, जो शोर वाले प्रयोगात्मक डेटा के लिए उपयुक्त है। मॉडल ने सीमेंट सामग्री, GGBFS %, LSP %, और क्यूरिंग आयु को इनपुट फीचर्स के रूप में उपयोग किया।
- आर्टिफिशियल न्यूरल नेटवर्क (ANN): तीन हिडन लेयर्स (100, 50, और 25 न्यूरॉन्स) वाला एक मल्टी-लेयर पर्सेप्ट्रॉन (MLP) जिसने ReLU एक्टिवेशन का उपयोग किया, जिसे ओवरफिटिंग को रोकने के लिए एडम ऑप्टिमाइज़र और L2 रेगुलराइजेशन के साथ प्रशिक्षित किया गया था।
सत्यापन: दोनों मॉडलों का 5-फोल्ड क्रॉस-वैलिडेशन का उपयोग करके मूल्यांकन किया गया। भौतिक मजबूती-मिश्रण संबंधों की अखंडता बनाए रखने के लिए सिंथेटिक ओवरसैंपलिंग से बचा गया।

मुख्य परिणाम

यांत्रिक प्रदर्शन:
- संपीडन शक्ति (Compressive Strength): बाइनरी मिक्स जिसमें 30% GGBFS और 0% LSP (B0G30) था, ने 48.75 MPa की उच्चतम 90-दिवसीय संपीड़न शक्ति प्राप्त की, जो OPC कंट्रोल से 7.0% अधिक थी। टर्नरी ब्लेंड्स जिनमें 5–15% LSP और 20–40% GGBFS था, ने आमतौर पर कार्बोएलुमिनेट चरण निर्माण के कारण बेहतर प्रदर्शन दिखाया। हालांकि, 20% से अधिक LSP सामग्री के परिणामस्वरूप सभी आयु चरणों में मजबूती में कमी देखी गई।
- स्प्लिटिंग टेंसाइल स्ट्रेंथ: बढ़ती GGBFS सामग्री के साथ मजबूती आम तौर पर सुधरी। टर्नरी मिक्स B10G40 (10% LSP, 40% GGBFS) ने उच्चतम 90-दिवसीय टेंसाइल स्ट्रेंथ (3.58 MPa) प्राप्त की।
- फ्लेक्सुरल स्ट्रेंथ: जबकि प्रारंभिक-अवस्था की फ्लेक्सुरल स्ट्रेंथ बाइनरी GGBFS मिश्रणों में उच्चतम थी, दीर्घकालिक प्रदर्शन टर्नरी ब्लेंड्स में अनुकूलित हुआ। मिक्स B10G40 ने 90 दिनों में 6.31 MPa प्राप्त किया।
मॉडल प्रदर्शन:
- संपीडन शक्ति: GPR ने ANN की तुलना में काफी बेहतर प्रदर्शन किया, जिससे $R^2$ का मान 0.848 (MAE = 1.755 MPa, RMSE = 2.289 MPa) प्राप्त हुआ, जबकि ANN का $R^2$ 0.564 था।
- टेंसाइल और फ्लेक्सुरल स्ट्रेंथ: दोनों मॉडलों के लिए भविष्यवाणी सटीकता प्रयोगात्मक बिखराव (experimental scatter) के कारण कम थी। विशेष रूप से, ANN ने GPR को पीछे छोड़ दिया ( $R^2$ = 0.440 टेंसाइल के लिए और 0.323 फ्लेक्सुरल के लिए), जो यह सुझाव देता है कि इसके गैर-रेखीय एक्टिवेशन फंक्शन इन विशिष्ट गुणों को नियंत्रित करने वाली जटिल अंतःक्रियाओं को बेहतर ढंग से पकड़ सकते हैं।
- अनिश्चितता परिमाणीकरण (Uncertainty Quantification): GPR का एक विशिष्ट लाभ इसके द्वारा 95% कॉन्फिडेंस इंटरवल उत्पन्न करने की क्षमता में प्रदर्शित हुआ, जो विरल डेटा वाले क्षेत्रों (जैसे, $n=100$ के साथ फ्लेक्सुरल स्ट्रेंथ) में चौड़ा हो जाता है, जिससे संरचनात्मक डिजाइन के लिए महत्वपूर्ण विश्वसनीयता मेट्रिक्स प्राप्त होते हैं।

मुख्य योगदान

प्रयोगात्मक लक्षण वर्णन: तीन यांत्रिक गुणों के लिए चार क्यूरिंग आयु में 25 टर्नरी GGBFS-LSP मिश्रणों का एक व्यापक डेटासेट प्रदान किया।
मॉडल विकास: प्रत्येक यांत्रिक गुण के लिए एकीकृत अनिश्चितता परिमाणीकरण के साथ व्यक्तिगत GPR मॉडल विकसित किए, जो इस विशिष्ट टर्नरी प्रणाली के लिए पहले रिपोर्ट नहीं की गई एक क्षमता है।
तुलनात्मक विश्लेषण: GPR और ANN का व्यवस्थित रूप से तुलना की गई, यह उजागर करते हुए कि जबकि GPR संपीड़न शक्ति भविष्यवाणी और विश्वसनीयता मूल्यांकन के लिए श्रेष्ठ है, ANN इस संदर्भ में टेंसाइल और फ्लेक्सुरल गुणों की भविष्यवाणी करने के लिए अधिक प्रभावी हो सकता है।
अनुकूलन (Optimization): विशिष्ट प्रदर्शन मानदंडों के आधार पर चार इष्टतम मिक्स डिज़ाइन की पहचान की गई:
- B0G30: उच्चतम दीर्घकालिक संपीड़न शक्ति।
- B0G40: उच्चतम 28-दिवसीय टेंसाइल स्ट्रेंथ।
- B15G30: तीनों गुणों में सबसे संतुलित प्रदर्शन।
- B15G10: उच्चतम 28-दिवसीय संपीड़न शक्ति।

महत्व और दावे
यह शोध दावा करता है कि इसके निष्कर्ष टिकाऊ टर्नरी बाइंडर सिस्टम के लिए व्यावहारिक डिजाइन मार्गदर्शन प्रदान करते हैं, यह प्रदर्शित करते हुए कि मध्यम LSP प्रतिस्थापन (5–15%) को GGBFS के साथ मिलाने से प्रारंभिक-अवस्था और दीर्घकालिक प्रदर्शन को संतुलित किया जा सकता है, साथ ही कार्बन फुटप्रिंट को भी कम किया जा सकता है। अध्ययन GPR और ANN के पूरक मूल्य पर जोर देता है: GPR को संपीड़न शक्ति के लिए प्राथमिक मॉडल के रूप में अनुशंसित किया जाता है क्योंकि इसमें संभाव्य अनिश्चितता सीमाएं हैं जो विश्वसनीयता-आधारित डिजाइन के लिए आवश्यक हैं, जबकि ANN टेंसाइल और फ्लेक्सुरल व्यवहारों की गैर-रेखीय जटिलताओं को पकड़ने में आशाजनक है। लेखक निष्कर्ष निकालते हैं कि हालांकि टेंसाइल और फ्लेक्सुरल स्ट्रेंथ के लिए भविष्यवाणी सटीकता डेटासेट के आकार और प्रयोगात्मक बिखराव द्वारा सीमित है, GPR का एकीकरण कंक्रीट मिक्स अनुकूलन में अनिश्चितताओं को संबोधित करने के लिए एक मजबूत ढांचा प्रदान करता है। भविष्य के कार्य के लिए डेटासेट का विस्तार करने और एक साथ बहु-गुणक भविष्यवाणी के लिए मल्टी-आउटपुट GPR का पता लगाने का सुझाव दिया गया है।

1. प्रयोग: "कंक्रीट केक" बनाना

2. परिणाम: क्या सबसे अच्छा काम आया?

3. "क्रिस्टल बॉल": AI के साथ भविष्य की भविष्यवाणी करना

4. मुख्य निष्कर्ष

इसी तरह के और पेपर