Прогнозирование прочности при сжатии и проектирование составов конструкционных легких бетонов с применением методов машинного обучения

Введение. Снижение плотности, повышение прочности и других физико-технических характеристик легких бетонов являются актуальными задачами современного строительного материаловедения. Для их решения необходимо рассмотреть новые подходы к разработке составов цементных систем с использованием эффективных пористых заполнителей, вяжущих веществ, химических и минеральных добавок, в том числе наномодификаторов различной природы (углеродные нанотрубки, фуллерены, наночастицы SiO2, Al2O3, Fe2O3 и др.). Сложность проектирования модифицированных цементных бетонов во многом обусловлена их многокомпонентностью и большим количеством параметров, влияющих на ключевые характеристики материала. Качественное решение подобных многокритериальных задач возможно при комплексной реализации рациональных физических и вычислительных экспериментов с использованием математического моделирования и компьютерных технологий. С развитием методов машинного обучения появляются новые возможности в моделировании процессов структурообразования и прогнозировании свойств многокомпонентных строительных материалов. Целью данного исследования являлась разработка алгоритмов машинного обучения, способных эффективно устанавливать количественные зависимости прочности при сжатии модифицированных легких бетонов от их состава, а также выявление на основе полученных многофакторных моделей оптимальных диапазонов варьирования рецептурных параметров для достижения требуемого уровня контролируемой механической характеристики. Методы и материалы. Обработка и анализ результатов экспериментальных исследований проводились с применением современных методов машинного обучения с учителем, используемых в задачах восстановления регрессии, извлечения знаний и прогнозирования. Реализация разработанных алгоритмов осуществлялась на языке программирования Python с применением библиотек NumPy, Pandas, Scikit-learn, Matplotlib, Seaborn. Результаты и обсуждение. Установлено, что среди полученных моделей машинного обучения наиболее точной является модель градиентного бустинга, характеризуемая следующими метриками качества: R2 = 0,9557; MAE = 2,4847; MSE = 12,7704; RMSE = 3,5736; MAPE = 11,1813%. По результатам анализа данной многофакторной модели выявлены оптимальные дозировки пуццоланового и расширяющего модификаторов, составляющие 4,5+6,0 и 6,0+7,5% от массы вяжущего (портландцемент + модификатор) соответственно, обеспечивающие достижение требуемого уровня прочности при сжатии (40+70 МПа) легких бетонов в возрасте 28 суток при сниженной на 3+10% плотности материала (рассматриваемый диапазон 1200+1900 кг/м3). Заключение. Таким образом, итоги выполненных исследований показали перспективность применения методов машинного обучения для проектирования составов и прогнозирования свойств многокомпонентных цементных систем.