Strojové učenie ako nástroj optimalizácie betónových receptúr

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F61989100%3A27120%2F25%3A10259940" target="_blank" >RIV/61989100:27120/25:10259940 - isvavai.cz</a>

Výsledek na webu

—

DOI - Digital Object Identifier

—

Jazyk výsledku

čeština

Název v původním jazyce

Strojové učenie ako nástroj optimalizácie betónových receptúr

Popis výsledku v původním jazyce

Využitie strojového učenia a neurónových sietí pri predpovedaní pevnosti betónu v tlaku sľubuje výrazné zlepšenie presnosti a spoľahlivosti modelov pre navrhovanie a optimalizáciu betónových zmesí. Vďaka rýchlemu pokroku v tejto oblasti budú výpočtové modely schopné spracovať ešte väčšie množstvo experimentálnych údajov, čím sa zvýši ich schopnosť zachytiť zložité vzťahy medzi vstupnými parametrami a mechanickými vlastnosťami betónu. S vývojom nových architektúr neurónových sietí a algoritmov strojového učenia bude možné vytvoriť vysoko adaptívne prediktívne modely, ktoré budú lepšie reagovať na variabilitu zloženia betónu a výrobných podmienok, čo povedie k efektívnejšiemu a udržateľnejšiemu projektovaniu v stavebnom priemysle. Predložená práca sa zaoberá návrhom betónových zmesí a predikciou ich pevnosti v tlaku na základe výsledkov pevnosti v tlaku zmesí známeho zloženia z iných experimentov s využitím strojového učenia.

Název v anglickém jazyce

Machine Learning as a Tool for the Optimization of Concrete Mix Designs

Popis výsledku anglicky

The use of machine learning and neural networks in predicting the compressive strength of concrete promises a significant improvement in the accuracy and reliability of models for the design and optimization of concrete mixtures. Thanks to rapid progress in this field, computational models will be able to process even larger amounts of experimental data, thereby increasing their ability to capture complex relationships between input parameters and the mechanical properties of concrete. With the development of new neural network architectures and machine learning algorithms, it will be possible to create highly adaptive predictive models that respond better to variability in concrete composition and production conditions, leading to more efficient and sustainable design in the construction industry. The present work deals with the design of concrete mixtures and the prediction of their compressive strength based on compressive strength results of mixtures with known compositions from other experiments, using machine learning.

Druh

O - Ostatní výsledky

CEP obor

—

OECD FORD obor

20100 - Civil engineering

Projekt

—

Návaznosti

S - Specificky vyzkum na vysokych skolach

Rok uplatnění

2025

Kód důvěrnosti údajů

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů