Öz
Betonun basınç dayanımının deneysel olarak belirlenmesi zaman alıcı ve maliyetlidir. Bu çalışmada karışım bileşenleri ve kür süresine bağlı olarak yüksek performanslı betonun 28 günlük basınç dayanımı topluluk öğrenmesi yöntemleriyle tahmin edilmiştir. 1.030 deney sonucundan oluşan veri kümesinde XGBoost, rastgele orman, gradyan artırma ve yapay sinir ağları karşılaştırılmıştır. XGBoost 0,94 belirlilik katsayısı ile en yüksek başarıyı göstermiştir. SHAP analizi su/çimento oranı ile kür süresinin dayanım üzerindeki baskın etkisini doğrulamıştır.
Predicting the Compressive Strength of High-Performance Concrete with Ensemble Learning
Experimental determination of concrete compressive strength is time-consuming and costly. This study predicts the 28-day compressive strength of high-performance concrete from mixture components and curing age using ensemble learning. XGBoost, random forest, gradient boosting and artificial neural networks were compared on a dataset of 1,030 experiments. XGBoost showed the highest performance with a coefficient of determination of 0.94. SHAP analysis confirmed the dominant influence of the water-to-cement ratio and curing age on strength.
Tam Metin
Beyanlar
- Etik Kurul Onayı
- This study does not require ethics committee approval.
- Çıkar Çatışması
- The authors declare no conflict of interest.
- Finansman
- This work was supported by the Selçuk University Scientific Research Projects Coordination Unit (Project No: 24012).
Kaynakça 5
- Chen, T., & Guestrin, C. (2016). XGBoost: A scalable tree boosting system. In Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining (pp. 785–794). https://doi.org/10.1145/2939672.2939785
- Breiman, L. (2001). Random forests. Machine Learning, 45(1), 5–32. https://doi.org/10.1023/A:1010933404324
- Lundberg, S. M., & Lee, S.-I. (2017). A unified approach to interpreting model predictions. Advances in Neural Information Processing Systems, 30.
- Cortes, C., & Vapnik, V. (1995). Support-vector networks. Machine Learning, 20(3), 273–297. https://doi.org/10.1007/BF00994018
- Hastie, T., Tibshirani, R., & Friedman, J. (2009). The elements of statistical learning (2nd ed.). Springer. https://doi.org/10.1007/978-0-387-84858-7
Atıf Göster
Lisans
© 2026 Hasan Erdem, Deniz Çelik. Bu makale, orijinal eser ve kaynağına uygun atıf yapılması koşuluyla her türlü ortamda sınırsız kullanım, dağıtım ve çoğaltmaya izin veren CC BY 4.0 lisansı altında dağıtılmaktadır. Lisans metni