Yüksek performanslı betonun basınç dayanımının farklı makine öğrenimi algoritmaları ile tahmin edilmesi

Basit Öğe Kaydı
dc.contributor.authorAltun, Muhammet Gökhan
dc.contributor.authorAltun, Ahmet Hakan
dc.date.accessioned2026-02-08T15:05:28Z
dc.date.available2026-02-08T15:05:28Z
dc.date.issued2025
dc.departmentBursa Teknik Üniversitesi
dc.description.abstractBetonun basınç dayanımı, beton bileşenlerinin miktarları ve özellikleri, yaşı, ortam koşulları, deneysel koşullar gibi birçok faktörden etkilenmektedir. Betonun en önemli özelliği olan basınç dayanımının belirlenmesi amacıyla makine öğrenimi algoritmaları alternatif bir yöntem olarak kullanılmaktadır. Bu çalışmada, yüksek performanslı betonun basınç dayanımını tahmin etmek amacıyla 1030 satırlık açık veri seti üzerinde altı farklı makine öğrenimi modeli kullanılmıştır. Ayrıca mevcut veri setine türetilen yeni öznitelikler ilave edilerek betonun basınç dayanımını tahmin etme süreçlerindeki etkileri incelenmiştir. Bu bağlamda yeni özniteliklerin algoritmaların performansına olan katkısı değerlendirilmiş ve hangi algoritmaların en iyi sonuçları verdiği analiz edilmiştir. Elde edilen sonuçlara göre doğru tahmin etme yeteneği ve süre açısından en iyi sonucu XGBoost ve LightGBM algoritmaları göstermiştir. Buna ilaveten, veri setine iki yeni öznitelik daha eklenmesi kullanılan makine öğrenimi algoritmalarının doğru tahmin etme yeteneğini arttırmıştır.
dc.description.abstractCompressive strength of concrete is influenced by various factors including the amount and properties of concrete components, age, environmental conditions and experimental conditions. Machine learning algorithms are emerging as an alternative method for determining the compressive strength of concrete which is one of its most critical properties. In this study six different machine learning models were employed to predict the compressive strength of high-performance concrete using an open dataset of 1030 samples. Additionally the impact of incorporating newly derived features into the existing dataset on the prediction process was examined. The contribution of these new features to the performance of the algorithms was evaluated and the algorithms yielding the best results were analyzed. According to the results XGBoost and LightGBM demonstrated the best performance in terms of prediction accuracy and computational efficiency. Moreover, adding two new features to the dataset improved the predictive accuracy of the employed machine learning algorithms.
dc.identifier.doi10.61112/jiens.1555284
dc.identifier.endpage361
dc.identifier.issn2791-7630
dc.identifier.issue1
dc.identifier.startpage347
dc.identifier.urihttps://doi.org/10.61112/jiens.1555284
dc.identifier.urihttps://hdl.handle.net/20.500.12885/4678
dc.identifier.volume5
dc.language.isotr
dc.publisherİdris Karagöz
dc.relation.ispartofYenilikçi Mühendislik ve Doğa Bilimleri
dc.relation.ispartofJournal of Innovative Engineering and Natural Science
dc.relation.publicationcategoryMakale - Ulusal Hakemli Dergi - Kurum Öğretim Elemanı
dc.rightsinfo:eu-repo/semantics/openAccess
dc.snmzKA_DergiPark_20260207
dc.subjectMachine Learning Algorithms
dc.subjectMakine Öğrenmesi Algoritmaları [EN] Construction Materials
dc.subjectYapı Malzemeleri
dc.titleYüksek performanslı betonun basınç dayanımının farklı makine öğrenimi algoritmaları ile tahmin edilmesi
dc.title.alternativePrediction of high performance concrete compressive strength with different machine learning algorithms
dc.typeArticle

Dosyalar

Koleksiyon

Öksüz Yayınlar Koleksiyonu