Москва, г. Москва и Московская область, Россия
Иваново, Ивановская область, Россия
Новочеркасск, Ростовская область, Россия
УДК 004.852 Статистическое обучение и параметрическое обучение
С учетом энергосбережения, строительство требует применения эффективных теплоизоляционных материалов, таких как пеностекло. Рассматривается предиктивное моделирование эксплуатационных свойств пеностекла с использованием моделей машинного обучения. Представлено математическое описание влияния добавок в шихте на свойства пеностекла. Разработано девять составов шихты для синтеза пеностекла и определены основные параметры их микроструктуры. С помощью программной среды Jupyter Notebook и библиотеки SciKit-Learn на языке программирования Python протестированы регрессионные модели. Проанализированы коэффициенты уравнений регрессий и дана оценка погрешности моделирования. Полученные результаты подтверждают эффективность предиктивного моделирования эксплуатационных свойств пеностекла на базе линейной регрессии.
пеностекло, микроструктура, эксплуатационные свойства, машинное обучение, регрессионный анализ
1. Sejdinović B. Modern Thermal Insulation and Sound Insulation Materials // Lecture Notes in Networks and Systems. 2023. Vol. 539. P. 218-233. https://doi.org/10.1007/978-3-031-17697-5_19.
2. Davraz M., Koru M., Akdağ A.E., Kılınçarslan Ş., Delikanlı, Y.E. et al. g additives and usage rates in the production of ultra-light foam glass // J. Therm. Analys. Calorimetr. 2022. Vol. 147. P. 3567–3576. https://doi.org/10.1007/s10973-021-10781-8.
3. Bashiri A., Amirhosseini A., Mirkazemi S. M. Ghanbari H. Effect of Temperature and Water Glass Addition on the Microstructure and Physical Properties of Soda–Lime Foam Glass // Glass Phys. Chem. 2021. Vol. 47. P. 83 90. https://doi.org/10.1134/S1087659621020024.
4. Semukhin B.S., Votinov A.V., Kazmina O.V. Properties of Foamglass with Fullerene-like Mesostructure // Rus. Phys. J. 2020. Т. 63. № 4. P. 710-712.
5. Латынцева Е.А., Подойникова Я.Р., Безрукова Т.А., Муртазина А.А. Влияние сырья на свойства пеностекла и перспективы развития // Строительные материалы и изделия. 2020. Т. 3. № 1. С. 44-48.
6. Сорокин Д.С., Береговой В.А., Капустин A.Е. Пористые гранулированные материалы на основе природных силицитов // Инженерный вестник Дона. 2019. № 2(53). С. 44.
7. Zhimalov A.A., Nikishonkova O.A., Spiridonov Yu.A., Kosobudskii I.D. Physical-Chemical Studies of Gaizes as Alternative Raw Materials for the Production of Foam Glass and Foam Materials // Glass and Ceramics. 2019. Vol. 75. P. 387-390. https://doi.org/10.1007/s10717-019-00091-9.
8. Liu H., Tang M., Wang Z., Liu W. et al. Optimized mechanical properties and thermal insulation capacity of foam glass through K2Ti6O13 whiskers addition // J. Austral. Ceram. Soc. 2022. Vol. 58. P. 1241-1248. https://doi.org/10.1007/s41779-022-00761-y.
9. Vedyakov I., Vaskalov V., Maliavski N., Nezhikov A. et al. Granular Foam-Glass-Ceramic Thermal Insulation Based on Natural Quartz Sand // Lect. Notes Civ. Eng. 2023. Vol. 282. P. 395-405. https://doi.org/10.1007/978-3-031-10853-2_37.
10. Федосов С.В., Баканов М.О. Теоретические и прикладные основы процессов высокотемпературной термической обработки при производстве теплоизоляционного пеностекла // Устойчивое развитие региона: архитектура, строительство, транспорт. Мат. VII Межд. науч.-практ. конф. Тамбов, 2020. С. 40-43.
11. ГОСТ 7076-99 Материалы и изделия строительные. Метод определения теплопроводности и термического сопротивления при стационарном тепловом режиме. М.: ГУП ЦППб, 2000. 27 с.
12. ГОСТ EN 1602-2011 Изделия теплоизоляционные, применяемые в строительстве. Метод определения кажущейся плотности. М.: Стандартинформ, 2012. 8 с.
13. ГОСТ 33949-2016 Изделия из пеностекла теплоизоляционные для зданий и сооружений. М.: Стандартинформ, 2019. 15 с.
14. ГОСТ 17177-94 Материалы и изделия строительные теплоизоляционные. Методы испытаний. М.: ИПК Изд. стандартов, 2002. 40 с.
15. ГОСТ EN 1607-2011 Изделия теплоизоляционные, применяемые в строительстве. Метод определения прочности при растяжении перпендикулярно к лицевым поверхностям. М.: Стандартинформ, 2012. 11 с.
16. ГОСТ EN 12430-2011 Изделия теплоизоляционные, применяемые в строительстве. Метод определения прочности при действии сосредоточенной нагрузки. М.: Стандартинформ, 2012. 16 с.
17. Fedosov S.V., Bakanov M.O. Modelling of Temperature Field Distribution of the Foam Glass Batch in Terms of Thermal Treatment of Foam Glass // Int. Journ. Comput. Civ. Struct. Eng. 2017. Vol. 13, no. 3. P. 112-118.
18. Федосов С.В., Баканов М.О., Домнина К.Л. Математическое моделирование технологических процессов получения теплоизоляционных ячеистых композитов // Изв. Кыргыз. гос. техн. ун-та им. И. Раззакова. 2020. № 3(55). С. 207-213.
19. Гутьеррес, Д.Д. Inside BIG DATA. Руководство по предиктивной аналитике: Платформа для бизнес-аналитики TIBCO Spotfire. 2017. Режим доступа: http://www.spotfiretibco.ru/wpcontent/uploads/2017/09/InsideBIGDATA.pdf. Дата доступа: 01.02.2024.
20. Omar N.S., Hatem W.A., Najy H.I. Predictive modeling for developing maintenance management in construction projects // Civ. Eng. J. 2019. Vol. 5. no. 4. P. 892-900.
21. Moein M.M., Saradar, A., Rakhmati К., Musavinedzhad S.Kh.G. et al. Predictive models for concrete properties using machine learning and deep learning approaches: rev. // J. Build. Eng. 2023. Vol. 63. P. 105444.
22. Mater, Ya., Kamel M., Karam A., Bakhum E. ANN-Python prediction model for the compressive strength of green concrete // Constr. Innovation. 2023. Vol. 23. no. 2. P. 340-359.
23. Amin M.N. et al. Prediction model for rice husk ash concrete using AI approach: Boosting and bagging algorithms // Structures. Elsevier, 2023. Vol. 50. P. 745-757. https://doi.org/10.1016/j.istruc.2023.02.080.
24. Nazar S., Tszyn Ya., Amin M.N., Khan K. et al. Machine learning interpretable-prediction models to evaluate the slump and strength of fly ash-based geopolymer // J. Mat. Res. Tech. 2023. Vol. 24. P. 100-124. https://doi.org/10.1016/j.jmrt.2023.02.180.
25. Fransson E., Eriksson F., Erhart P. Efficient construction of linear models in materials modeling and applications to force constant expansions // Npj Comput Mater. 2020. Vol. 6. P. 135. https://doi.org/10.1038/s41524-020-00404-5.
26. Chore H. S., Shelke, N. L. Prediction of compressive strength of concrete using multiple regression model. Struct. Eng. Mechan. 2013. Vol. 45(6). P. 837-851. https://doi.org/10.12989/SEM.2013.45.6.837.
27. Obianyo I.I., Anosike-Francis E.N., Ihekweme G.O. et al. Multivariate regression models for predicting the compressive strength of bone ash stabilized lateritic soil for sustainable building. Constr. Build. Mat. 2020. Vol. 263. P. 120677. https://doi.org/10.1016/j.conbuildmat.2020.120677.
28. Jin R., Chen Q., Soboyejo A.B.O. Non-linear and mixed regression models in predicting sustainable concrete strength // Construction and Building Materials. 2018. V. 170. P. 142-152. https://doi.org/10.1016/j.conbuildmat.2018.03.063.
29. Матвеев М.А., Матвеев Г.М., Френкель Б.Н. Расчеты по химии и технологии стекла. Справ. пособие // М.: Изд. лит. по строительству, 1972. 240 с.
30. Pedregosa F. et al. Scikit-learn: Machine Learning in Python // J. Mach. Learn. Res. 2011. Vol. 12. P. 2825-2830.
