Optimization of the Ternary Concrete Mix Design using Gaussian Process Regression

Technische Samenvatting: Optimalisatie van Ternair Betonmengselontwerp met behulp van Gaussian Process Regression

Probleemstelling
De productie van Ordinary Portland Cement (OPC) is verantwoordelijk voor ongeveer 7–8% van de wereldwijde CO₂-emissies, wat de ontwikkeling van duurzame, koolstofarme betonalternatieven noodzakelijk maakt. Hoewel supplementaire cementfactoren (SCM's) zoals Ground Granulated Blast Furnace Slag (GGBFS) en Kalksteenpoeder (LSP) levensvatbare wegen bieden om het clinkergehalte te verminderen, vertonen hun gecombineerde toepassing in ternaire mengsystemen complexe, niet-lineaire interacties. GGBFS verbetert de langetermijnsterkte door latente hydraulische activiteit, maar vertraagt vaak de vroege sterkteontwikkeling. Daarentegen fungeert LSP als een nucleatieagens en vulstof, wat potentieel de vroege sterkteverliezen kan compenseren, maar excessieve vervanging kan de cementfactoren verdunnen en de mechanische prestaties verminderen. Conventionele empirische modellering heeft moeite om deze synergetische effecten en de inherente experimentele ruis in kleine tot middelgrote datasets te vangen. Bovendien is er een tekort aan toepassing van probabilistische machine learning-methoden voor het gelijktijdig voorspellen van meerdere mechanische eigenschappen voor ternaire GGBFS-LSP-systemen.

Methodologie
Deze studie maakte gebruik van een tweeledige aanpak waarbij experimentele karakterisering werd gecombineerd met geavanceerde machine learning-modellering:

• Experimenteel Programma: Vijfentwintig verschillende ternaire betonmengsels werden geprepareerd met een constante water-bindmiddelratio van 0,40. De mengsels varieerden in GGBFS-vervangingsniveaus van 0–40% en LSP-vervangingsniveaus van 0–20% op basis van de bindmiddelmassa. De monsters werden uitgehard bij 23 ± 2°C en getest op 7, 14, 28 en 90 dagen voor druksterkte, splijttreksterkte en buigsterkte.
• Machine Learning Modellering: Er werden twee algoritmen ontwikkeld en vergeleken:
  • Gaussian Process Regression (GPR): Een niet-parametrische Bayesiaanse methode gekozen vanwege het vermogen om zowel puntvoorspellingen als onzekerheidsschattingen (betrouwbaarheidsintervallen) te bieden, wat geschikt is voor ruisgevoelige experimentele gegevens. Het model maakte gebruik van cementgehalte, GGBFS %, LSP % en uithardingsleeftijd als invoerkenmerken.
  • Artificial Neural Network (ANN): Een multi-layer perceptron (MLP) met drie verborgen lagen (100, 50 en 25 neuronen) met ReLU-activatie, getraind met de Adam-optimizer en L2-regularisatie om overfitting te voorkomen.
• Validatie: Beide modellen werden geëvalueerd met behulp van 5-voudige kruisvalidatie. Synthetische oversampling werd vermeden om de integriteit van de fysieke sterkte-mengselrelaties te bewaren.

Belangrijkste Resultaten

• Mechanische Prestaties:
  • Druksterkte: Het binaire mengsel met 30% GGBFS en 0% LSP (B0G30) bereikte de hoogste 90-dagen druksterkte van 48,75 MPa, wat 7,0% hoger is dan de OPC-controle. Ternaire mengsels met 5–15% LSP en 20–40% GGBFS vertoonden over het algemeen verbeterde prestaties door de vorming van carboaluminaten. Echter, LSP-gehaltes die 20% overschreden, resulteerden in sterkteafnames bij alle leeftijden.
  • Splijttreksterkte: De sterkte verbeterde over het algemeen met toenemend GGBFS-gehalte. Het ternaire mengsel B10G40 (10% LSP, 40% GGBFS) bereikte de hoogste 90-dagen treksterkte (3,58 MPa).
  • Buigsterkte: Terwijl de vroege buigsterkte het hoogst was in binaire GGBFS-mengsels, werd de langetermijnprestatie geoptimaliseerd in ternaire mengsels. Mengsel B10G40 bereikte 6,31 MPa bij 90 dagen.
• Modelprestaties:
  • Druksterkte: GPR presteerde significant beter dan ANN, met een $R^2$ van 0,848 (MAE = 1,755 MPa, RMSE = 2,289 MPa) vergeleken met de $R^2$ van 0,564 voor de ANN.
  • Trek- en Buigsterkte: De voorspellingsnauwkeurigheid was lager voor beide modellen vanwege hogere experimentele spreiding. Opvallend genoeg presteerde ANN beter dan GPR voor deze eigenschappen ($R^2$ = 0,440 voor trek en 0,323 voor buiging), wat suggereert dat de niet-lineaire activatiefuncties van de ANN de complexe interacties die deze specifieke eigenschappen beheersen, beter konden vatten.
  • Onzekerheidskwantificering: Een duidelijk voordeel van GPR werd aangetoond in het vermogen om 95% betrouwbaarheidsintervallen te genereren die breder werden in regio's met schaarse data (bijv. buigsterkte met $n=100$), wat cruciale betrouwbaarheidsmetrieken biedt voor constructief ontwerp.

Belangrijkste Bijdragen

1. Experimentele Karakterisering: Leverde een uitgebreide dataset van 25 ternaire GGBFS-LSP mengsels geëvalueerd over vier uithardingsleeftijden voor drie mechanische eigenschappen.
2. Modelontwikkeling: Ontwikkelde individuele GPR-modellen voor elke mechanische eigenschap met geïntegreerde onzekerheidskwantificering, een capaciteit die voorheen niet gerapporteerd was voor dit specifieke ternaire systeem.
3. Vergelijkende Analyse: Verleende een systematische vergelijking tussen GPR en ANN, waarbij werd benadrukt dat hoewel GPR superieur is voor druksterktevoorspelling en betrouwbaarheidsbeoordeling, ANN effectiever kan zijn voor het voorspellen van trek- en buigsterkte in deze context.
4. Optimalisatie: Identificeerde vier optimale mengsels gebaseerd op specifieke prestatiecriteria:
   • B0G30: Hoogste langetermijn druksterkte.
   • B0G40: Hoogste 28-dagen treksterkte.
   • B15G30: Meest gebalanceerde prestatie over alle drie de eigenschappen.
   • B15G10: Hoogste 28-dagen druksterkte.

Betekenis en Claims
De paper claimt dat de bevindingen praktische ontwerprichtlijnen bieden voor duurzame ternaire bindmiddelsystemen, waarbij wordt aangetoond dat een matige LSP-vervanging (5–15%) gecombineerd met GGBFS de vroege- en langetermijnprestaties kan balanceren terwijl de koolstofvoetafdruk wordt verminderd. De studie benadrukt de complementaire waarde van GPR en ANN: GPR wordt aanbevolen als het primaire model voor druksterkte vanwege de probabilistische onzekerheidsgrenzen die essentieel zijn voor betrouwbaarheidsgebaseerd ontwerp, terwijl ANN veelbelovend is voor het vatten van de niet-lineaire complexiteiten van trek- en buiggedrag. De auteurs concluderen dat hoewel de voorspellingsnauwkeurigheid voor trek- en buigsterkte beperkt blijft door de datasetgrootte en experimentele spreiding, de integratie van GPR een robuust kader biedt voor het aanpakken van onzekerheden in betonmengseloptimalisatie. Toekomstig werk wordt gesuggereerd om datasets uit te breiden en multi-output GPR te verkennen voor gelijktijdige voorspelling van meerdere eigenschappen.