Identification of the relations between synthesis conditions and compressive strength in geopolymer systems via statistical learning methods

Abstract

Üretiminde CO2 salınımının düşük olması jeopolimerleri inşaat endüstrisinde kullanılabilecek uygun bir inorganik ve amorf malzeme yapmaktadır. Çeşitli üretim koşullarının karmaşık etkileriyle belirlenen basınç direnci (CS), jeopolimerlerin önemli bir dayanıklılık ölçüsüdür. Bu çalışmanın amacı, üretim koşulları ile basınç direnci arasında güvenilir kurallar elde etmek için bir karar ağacı oluşturmaktır. Bu nedenle, mevcut yayımları kullanarak, 879 veri noktası ve 19 değişkenden oluşan bir veri tabanı oluşturuldu. Gereksiz değişkenleri elemek için İleri Seçim (FS), Geri Eliminasyon (BE) ve Kaba Küme teorisi algoritmaları kullanıldı. Karar ağacı parametreleri (Smax ve Pmin), indirgenmiş küme oluştururken bu çalışmada eklenen eşik parametresi (eps), ve FS/BE algoritmalarında uygun değişken sayısı 20 tekrar ile 5 kat çapraz doğrulama (CV) ile optimize edildi. Yapılan ağaçlardan elde edilen kuralların güvenilirliği kararlılık endeksi (SI) ile ölçüldü. BE tabanlı derin ağaçların (Smax = 150) test RMSE değeri 10.0 MPa'a kadar düşse de, FS/BE değişken seçmeli büyük ağaçlardan elde edilen kuralların kararlı olmadığı görüldü. Bu nedenle, kural oluşturmak için daha küçük boyutlu (Smax = 60) indirgenmiş küme bazlı bir ağaç kullanıldı. Oluşturulan bu ağacın CV RMSE ve SI, test RMSE ve R2 sırasıyla 13.2 MPa, 0.79, 13.2 MPa ve 0.64'e eşit. Bu ağaca dayanarak düşük ve yüksek CS değerlerine karşılık gelen iki alüminosilikat prekürsor malzeme grubu tanımlandı. Çıkan ağacın yorumu için 2-boyutlu değişken uzayından doğrusal regresyon ile yerel modeller geliştirildi. Su/Al ve Na/Al oranları ve çevre koşullarında kürleme süresi yüksek CS grubunu, saflık ve yüksek sıcaklıkta kürleme süresi de düşük CS grubunu etkilediği görüldü. Ayrıca, değişkenlerin CS üzerindeki etkisinin prekürsor malzeme tipine göre değiştiği ve bunun değişkenler arası önemli etkileşimlerin varlığına işaret ettiği görüldü.

Geopolymers are inorganic amorphous materials, which can be used in construction industry, and their production is characterized by low CO2 emission. Compressive strength (CS) is a durability measure, which, in the case of geopolymers, depends on various manufacturing factors in a rather complex functional relation. The aim of this study is to develop a decision tree and extract reliable decision rules based on it. A database consisting of 879 data points and 19 predictors is constructed based on available publications. Forward Selection (FS), Backward Elimination (BE) and Rough Set theory are used as feature selection algorithms. The decision tree parameters (maximum number of splits, Smax and minimum parent size Pmin) and number of relevant predictors for FS and BE and threshold parameter (eps), which is introduced for reduct set formation, are optimized via 5-fold CV with 20 repetitions. The reliability of the obtained decision rules is expressed via Stability index (SI) whereas the accuracy of the models via measures, such as RMSE. Minimum test RMSE is decreased up to 10.0 MPa for Smax = 150 BE based tree, but the interpretation of such large trees is demanding. Hence, a smaller sized (Smax = 60) reduct based tree is used for rule extraction. The CV RMSE and SI, test RMSE and R2 of the resulting tree is 13.2 MPa, 0.79, 13.2 MPa and 0.64 respectively. Based on this tree, the most important predictor affecting geopolymer CS is found to be the type of aluminosilicate precursor material. Two material groups are identified corresponding to higher and lower CS. The data space is subsequently divided, and relations (linear regression, local models etc.) regarding smaller subspaces are developed. For higher CS group, water/Al, Na/Al and ambient curing time have a significant effect, whereas for lower CS compounds, purity and heat curing time are also found to be effective. Moreover, the effect of the predictors on CS can vary based on the precursor types, showing the presence of significant predictor interactions.