A study on explicit formulation of sorptivity of concretes containing mineral admixtures

Abstract

Bu tezde genetik programlama (GP) ve yapay sinir ağları (YSA) kullanılarak kılcal su geçirimliliğini tahmin eden matematiksel modeller türetilmiştir. Bunun için literaturde bulunan deneysel çalışmalar incelenerek 151 adet veri numunesi toplanmıştır. Ortak tahmin parametreleri olarak su-bağlayıcı oranı (w/b), toplam bağlayıcı miktarı (B), 150mm3 lük küp numunenin 28 günlük basınç dayanımı, agrega-bağlayıcı oranı (Agg/B) ve betonun deney yaşı seçilmiştir. Bunun yanı sıra önerilen tahmin modellerinin performanslarını incelemek amacıyla deneysel bir çalışma da gerçekleştirilmiştir. Bu çalışmada 0.45 su-bağlayıcı oranına sahip 400 kg/m3 toplam bağlayıcı ihtiva eden suda ve havada kür edilmiş betonlar kullanılmıştır. Ayrıca mineral katkı olarak silis dumanı (SD) ve uçucu kül (FA) çesitli ikame oranlarında kullanılmışlardır. Böylece ikili ve üçlü sistem mineral katkı içeren 9 adet beton üretilmiştir. Önerilen her iki modelin de kılcal su geçirimliliğinin tahmininde yeterince etkili oldukları görülmüştür. Ancak NN modelinin GEP modele göre daha doğru sonuçlar verdiği gözlenmiştir. Ayrıca deneysel doğrulama çalışmasından elde edilen sonuçlar da önerilen modellerin güvenilir tahmin araçları olarak kullanılabileceklerini göstermiştir.Anahtar kelimeler: Betonun kılcal su geçirimliliği, Mineral katkılar,Yapay sinir ağları, Genetik programlama.

In this thesis, mathematical models derived from gene expression programming (GEP) and artificial neural network (ANN) were used for prediction of sorptivity of concretes. For this, 151 data samples were collected from the previous studies.The common predicttion parameters were selected as water-to-binder ratio (w/b), total binder content (B), compressive strength of 150 mm cube speciment at 28 days (fc,28), aggregate-to-binder ratio (Agg./B) and age of concrete (A). Additionally, in order to evaluate the performance of the proposed models an experimental study was also conducted. The study was carried out on water cured and air cured concretes produced by w/b ratio of 0.45 with total binder content of 400 kg/m3. Moreover, silica fume (SF) and fly ash (FA) were used in different replacement levels. Total 9 different concrete mixtures with binary and ternary blends of SF and FA were produced. Both of the proposed models were proved to be effective enough for prediction of sorptivity of concretes. However, NN models was more accurate than GEP model. Moreover, validation study also indicated that the proposed mathematical models can be utilized as reliable prediction tools for estimation of sorptivity of concretes. Keywords: Sorptivity of concrete, Mineral admixtures, Artificial Neural Network, Gene Expression Programming