Kauzalni AI model i optimiranje održivosti sastava betonskih mješavina
U radu je provedena kauzalna analiza učinka ekološki održivih mješavina s cementom na tlačnu čvrstoću betona i smanjenje emisije CO2. Primijenjen je Bayesov model kauzalnosti, skupova stabala odlučivanja i dubokih neuronskih mreža. Model se zasniva na velikom skupu podataka, broj uzoraka n = 1030 i...
Saved in:
| Main Author: | |
|---|---|
| Format: | Article |
| Language: | English |
| Published: |
Croatian Society of Chemical Engineers
2024-11-01
|
| Series: | Kemija u Industriji |
| Subjects: | |
| Online Access: | http://silverstripe.fkit.hr/kui/assets/Uploads/2-449-455-KUI-11-12-2024.pdf |
| Tags: |
Add Tag
No Tags, Be the first to tag this record!
|
| _version_ | 1846165625947291648 |
|---|---|
| author | Želimir Kurtanjek |
| author_facet | Želimir Kurtanjek |
| author_sort | Želimir Kurtanjek |
| collection | DOAJ |
| description | U radu je provedena kauzalna analiza učinka ekološki održivih mješavina s cementom na tlačnu čvrstoću betona i smanjenje emisije CO2. Primijenjen je Bayesov model kauzalnosti, skupova stabala odlučivanja i dubokih neuronskih mreža. Model se zasniva na velikom skupu podataka, broj uzoraka n = 1030 i p = 9 varijabli sastava (cement, šljaka, lebdeći pepeo, voda, plastifikator, krupni agregat, sitni agregat, vrijeme i tlačna čvrstoća betona). Model je usmjereni aciklički graf (DAG) određen heurističkim postupkom optimiranja Bayesova informacijskog kriterija (BIC). AI model dobiven strojnim učenjem omogućuje predikciju tlačne čvrstoće betona s prosječnom apsolutnom pogreškom 3 MPa (4,3 %) u odnosu na pogrešku od 10 MPa za višestruki linearni model. Za eliminaciju interferirajućih efekata među varijablama primijenjen je kriterij usmjerenog razdvajanja (d-separacija) za određivanje kauzalnih učinaka pojedinih varijabli na tlačnu čvrstoću betona. Pojedini učinci izraženi su kao srednji efekti učinaka (engl. Average Treatment Effect, ATE). Rezultat kauzalnog učinka vremena pokazuju dvofaznu dinamiku kinetike nultog stupnja. Najveće vrijednosti ATE (MPa/kg m–3) tijekom prve faze procesa pokazuju: krupni agregat 0,53, plastifikator 0,35 i sitni agregat 0,19, dok najveći negativni učinak ima voda −0,3. U drugoj fazi procesa najveći pozitivni ATE od 0,5 pokazuje plastifikator, a najveći negativni je za krupni agregat od −0,23. Zbog kompleksne interakcije varijabli i složene dinamike procesa predložen je genetički algoritam optimiranja sastava smjese. AI model predviđa znatno potencijalno smanjenje emisije CO2 upotrebom lebdećeg pepela i upotrebom zgure. |
| format | Article |
| id | doaj-art-6aa706432c1b4914b3590afc77cf8aec |
| institution | Kabale University |
| issn | 0022-9830 1334-9090 |
| language | English |
| publishDate | 2024-11-01 |
| publisher | Croatian Society of Chemical Engineers |
| record_format | Article |
| series | Kemija u Industriji |
| spelling | doaj-art-6aa706432c1b4914b3590afc77cf8aec2024-11-17T10:11:55ZengCroatian Society of Chemical EngineersKemija u Industriji0022-98301334-90902024-11-017311-1244945510.15255/KUI.2023.063Kauzalni AI model i optimiranje održivosti sastava betonskih mješavinaŽelimir Kurtanjek0Sveučilište u Zagrebu Prehrambeno-biotehnološki fakultet, Pierrotijeva 6, 10 000 ZagrebU radu je provedena kauzalna analiza učinka ekološki održivih mješavina s cementom na tlačnu čvrstoću betona i smanjenje emisije CO2. Primijenjen je Bayesov model kauzalnosti, skupova stabala odlučivanja i dubokih neuronskih mreža. Model se zasniva na velikom skupu podataka, broj uzoraka n = 1030 i p = 9 varijabli sastava (cement, šljaka, lebdeći pepeo, voda, plastifikator, krupni agregat, sitni agregat, vrijeme i tlačna čvrstoća betona). Model je usmjereni aciklički graf (DAG) određen heurističkim postupkom optimiranja Bayesova informacijskog kriterija (BIC). AI model dobiven strojnim učenjem omogućuje predikciju tlačne čvrstoće betona s prosječnom apsolutnom pogreškom 3 MPa (4,3 %) u odnosu na pogrešku od 10 MPa za višestruki linearni model. Za eliminaciju interferirajućih efekata među varijablama primijenjen je kriterij usmjerenog razdvajanja (d-separacija) za određivanje kauzalnih učinaka pojedinih varijabli na tlačnu čvrstoću betona. Pojedini učinci izraženi su kao srednji efekti učinaka (engl. Average Treatment Effect, ATE). Rezultat kauzalnog učinka vremena pokazuju dvofaznu dinamiku kinetike nultog stupnja. Najveće vrijednosti ATE (MPa/kg m–3) tijekom prve faze procesa pokazuju: krupni agregat 0,53, plastifikator 0,35 i sitni agregat 0,19, dok najveći negativni učinak ima voda −0,3. U drugoj fazi procesa najveći pozitivni ATE od 0,5 pokazuje plastifikator, a najveći negativni je za krupni agregat od −0,23. Zbog kompleksne interakcije varijabli i složene dinamike procesa predložen je genetički algoritam optimiranja sastava smjese. AI model predviđa znatno potencijalno smanjenje emisije CO2 upotrebom lebdećeg pepela i upotrebom zgure.http://silverstripe.fkit.hr/kui/assets/Uploads/2-449-455-KUI-11-12-2024.pdfumjetna inteligencijakauzalnostoptimiranjebeton |
| spellingShingle | Želimir Kurtanjek Kauzalni AI model i optimiranje održivosti sastava betonskih mješavina Kemija u Industriji umjetna inteligencija kauzalnost optimiranje beton |
| title | Kauzalni AI model i optimiranje održivosti sastava betonskih mješavina |
| title_full | Kauzalni AI model i optimiranje održivosti sastava betonskih mješavina |
| title_fullStr | Kauzalni AI model i optimiranje održivosti sastava betonskih mješavina |
| title_full_unstemmed | Kauzalni AI model i optimiranje održivosti sastava betonskih mješavina |
| title_short | Kauzalni AI model i optimiranje održivosti sastava betonskih mješavina |
| title_sort | kauzalni ai model i optimiranje odrzivosti sastava betonskih mjesavina |
| topic | umjetna inteligencija kauzalnost optimiranje beton |
| url | http://silverstripe.fkit.hr/kui/assets/Uploads/2-449-455-KUI-11-12-2024.pdf |
| work_keys_str_mv | AT zelimirkurtanjek kauzalniaimodelioptimiranjeodrzivostisastavabetonskihmjesavina |