Yüksek sıcaklık ve yangın etkisindeki kimyasal katkılı harçların mekanik özeliklerinin istatistiksel yöntemlerle modellenmesi

Abstract

Bu tezde, akışkanlaştırıcı, priz hızlandırıcı, priz geciktirici ve hava sürükleyici kimyasal katkı içeren harçların mekanik özeliklerinin deneysel çalışmaları yapılmış ve elde edilen deney sonuçları Taguchi ve ANOVA metotları ile çalıştırılarak değerlendirilmiştir. Verilerin modellemesinde regresyon analizleri kullanılmıştır. Harcın kuru birim ağırlık, ultrases geçiş hızı, çekme dayanımı ve basınç dayanımı özelikleri akışkanlaştırıcı, priz geciktirici, priz hızlandırıcı ve hava sürükleyici katkı maddeleri kullanım oranına bağlı olarak farklı sıcaklıklara ve belirli yangın senaryolarına göre oluşan sıcaklıklarda tahmin edilmiştir. Bu süreçte makine öğrenmesi yöntemlerinden SVR (Destek Vektör Regresyonu), MLP (Çok Katmanlı Algılayıcılar) ve OLS (En Küçük Kareler) yöntemleri ile analizler yapılmıştır. Bu katkıların her biri için üretici tarafından belirlenen oranlar ve fazlası dört farklı oranda kullanılarak harç numuneleri üretilmiştir. Üretilen numunelere 20 0C, 100 0C, 300 0C ve 600 0C sıcaklık uygulamaları sonrası kuru birim ağırlık, ultrases geçiş süresi, basınç dayanımı ve çekmede eğilme dayanımı deneyleri uygulanmıştır. Elde edilen veriler kullanılarak harcın mekanik özeliklerinin belirli oranlardaki katkılar ve sıcaklıklar ile değişimleri istatistiksel analizlerle yorumlanmıştır. Taguchi ile en uygun katkı maddesi oranı ve sıcaklık seviyesi belirlenirken, ANOVA ile farklı katkı maddesi oranlarının ve farklı sıcaklık seviyelerinin sonuçlara etkisi gözlemlenebilmiştir. Ayrıca makine öğrenmesi ve regresyon yöntemleri ile modelleme yapılarak harcın yüksek sıcaklıklardaki mekanik özelikleri tahmin edilmiştir. Son olarak laboratuvar ortamında yapılması mümkün olmayan ya da zor veya maliyetli olan Avrupa Standartlarında mevcut yangın senaryolarında oluşacak sıcaklıklar için deney sonuçları makine öğrenmesi yöntemleri ile tahmin edilmiştir. Elde edilen sonuçlara göre, kullanılan makine öğrenmesi tahmin yöntemlerinden en az hata ile tahmin gerçekleştirebilen yöntemler sırası ile MLP ve SVR yöntemleri olmuştur. OLS yönteminin ise doğrusal yapısından dolayı bu çalışmadaki tahminlerde yeterli olamadığı görülmüştür.

In this thesis, experimental studies of the mechanical properties of mortars containing plasticizer, accelerator, retarder and air-entraining chemical admixtures were carried out, and the experimental results were evaluated by applying Taguchi and ANOVA methods. Unit weight, ultrasonic pulse velocity, tensile strength and compressive strength properties of the mortar were estimated at different temperatures and specific fire scenarios depending on the use of plasticizer, retarder, accelerator and air-entraining admixtures. In this process, among machine learning methods, SVR (Support Vector Regression), MLP (Multilayer Perceptrons) and OLS (Least Squares) methods were used. Mortar samples were produced by using four different ratios for each of these admixtures by applying the ratios specified by the manufacturer and more. Unit weight, ultrasonic pulse velocity, compressive strength and tensile strength tests were applied to the produced samples following temperature applications of 20 0C, 100 0C, 300 0C and 600 0C. By using the data obtained, the mechanical properties of the mortar with certain ratios of admixtures and temperature changes were interpreted by statistical analysis. While the most suitable admixture ratio and temperature level were determined with Taguchi, the effect of different admixture ratios and different temperature levels on the results could be observed with ANOVA. In addition, the mechanical properties of the mortar at high temperatures were estimated by modeling with machine learning and regression methods. Finally, the test results for the temperatures that will occur in the existing fire scenarios in European Standards, which are not possible or difficult or costly to be done in the laboratory environment, were estimated by machine learning methods. According to the results obtained, the methods that could make predictions with the least error among the machine learning estimation methods used were MLP and SVR methods, respectively. It was seen that the OLS method was not sufficient for the estimations in this study due to its linear structure.