Geopolimer mekanik özellikler, işlenebilirlik ve uzun süreli kullanımdan sonra dayanıklılıktaki iyi performansları nedeniyle birçok inşaat alanında incelenmiş ve uygulanmıştır. Geopolimer betonun eğilme dayanımının belirlenmesi için genellikle pahalı laboratuvar testleri gerekmektedir. Bu çalışmanın amacı eğilme dayanımını daha hızlı, doğru, ucuz ve zahmetsiz tahmin edilmesidir. Yapay zekanın geliştirilmesi, deneysel veriler aracılığıyla beton yapıların performansını verimli bir şekilde tahmin edebilen ve belirleyebilen bazı yöntemler önermektedir. Bu araştırmada, makine öğrenimi ile çelik fiber takviyeli geopolimer betonların eğilme dayanım performansının tahmini ve doğrulanması değerlendirilmiştir. Literatürdeki geopolimer betonun eğilme dayanımına ilişkin çalışmalardaki deneysel veriler kullanılarak toplamda 104 deney verisi içeren bir veri seti oluşturulmuş ve modellemeye hazır hale getirilmiştir. Bu veri seti, Yapay Sinir Ağı yöntemi kullanılarak Python programlama diliyle modellenmiş ve analiz edilmiştir. Yapılan çalışma sonucunda R2 değeri 0,994183 olarak elde edilmiştir. Bu sonuçlar, Yapay Sinir Ağı modelinin çelik fiberli geopolimer betonun eğilme dayanımını tahmin etmede oldukça başarılı olduğunu göstermektedir. Sonuç olarak, yapay zekâ teknikleri eğilme dayanım sonuçlarının daha hızlı tahmin edebilecek ve maliyetleri önemli ölçüde azaltacak imkânlar sunmaktadır. Bu çalışmanın bulguları, inşaat sektöründe gelecekteki araştırma ve uygulamalar için umut verici bir yöntem sunmaktadır.
Geopolymer has been studied and applied in many construction areas due to its good performances in mechanical properties, workability and durability after long-term use. Expensive laboratory tests are usually required to determine the flexural strength of geopolymer concrete. The aim of this study is to estimate the flexural strength more quickly, accurately, cheaply and effortlessly. The development of artificial intelligence suggests some methods that can efficiently predict and determine the performance of concrete structures through experimental data. In this research, the flexural strength performance prediction and verification of steel fiber reinforced geopolymer concretes were evaluated with machine learning. A data set containing a total of 104 experimental data was created using experimental data from studies on the flexural strength of geopolymer concrete in the literature and made ready for modeling. This data set was modeled and analyzed with the Python programming language using the Artificial Neural Network method. As a result of the study, the R2 value was obtained as 0.994183. These results show that the Artificial Neural Network model is quite successful in predicting the flexural strength of steel fiber geopolymer concrete. In conclusion, artificial intelligence techniques offer the opportunity to predict flexural strength results faster and significantly reduce costs. The findings of this study provide a promising method for future research and applications in the construction industry.
