bzhbБетон и железобетонConcrete and Reinforced Concrete0005-98893034-1302АО «НИЦ «Строительство»10.31659/0005-9889-2022-612-613-4-5-25-37bzhb-86Research ArticleСтатьиПрименение вероятностных подходов для построения моделей «состав–свойство». Часть I (Теория)Application of probabilistic approaches for the construction of “composition–property” models. Part I (Theory)РезаевР. О.RezaevR. O.

канд. физ.-мат. наук

e-mail: rezaev.roman@gmail.com 

Candidate of Sciences (Physics and Mathematics)

e-mail: rezaev.roman@gmail.com 

rezaev.roman@gmail.comДмитриевА. А.DmitrievA. A.

инженер

Engineer

ЧернявскийД. В.ChernyavskyD. V.

канд.физ.-мат. наук

Candidate of Sciences (Physics and Mathematics)

IFW Institute for Theoretical Solid State Physics; Томский политехнический университетГерманияIFW Institute for Theoretical Solid State Physics; Tomsk Polytechnic UniversityGermanyТомский политехнический университетРоссияTomsk Polytechnic UniversityRussian FederationIFW Institute for Theoretical Solid State PhysicsГерманияIFW Institute for Theoretical Solid State PhysicsGermany202219092023612-6134-52537Copyright © Резаев Р.О., Дмитриев А.А., Чернявский Д.В., 20232023Резаев Р.О., Дмитриев А.А., Чернявский Д.В.Rezaev R.O., Dmitriev A.A., Chernyavsky D.V.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://www.bzhb.ru/jour/article/view/86

В цикле из двух статей обсуждается концепция построения вероятностных моделей свойств бетонных смесей и бетона в пространстве возможных составов на заданных материалах. В первой части статьи вводятся понятия: математического пространства составов с демонстрацией примеров его построения для бетонных смесей различного назначения, длина корреляции свойств составов и количественная мера близости составов, позволяющая постулировать непрерывность их свойств. На основе методов байесовской статистики и машинного обучения предлагаются способы эффективного использования для построения вероятностных моделей априорной информации о свойствах сырьевых материалов, накопленных статистических данных по свойствам бетонных смесей/бетонов, выраженных в виде различных эмпирических зависимостей и физико-химических моделей. Представленный в статье алгоритм позволяет создавать экономичные экспериментальные планы для построения многомерной поверхности отклика в пространстве возможных составов. Дальнейшая работа с полученной поверхностью отклика может осуществляться различными методами, например путем изучения срезов по интересующим координатным осям в произвольных плоскостях или направлениях.

In a series of two articles, the concept of constructing probabilistic models of the properties of concrete mixtures and concrete in the space of possible compositions on given materials is discussed. In the first part of the article, the following concepts are introduced: the mathematical space of compositions with demonstration of examples of its construction for concrete mixtures for various purposes, the length of the correlation of composition properties, and a quantitative measure of the proximity of compositions, which makes it possible to postulate the continuity of their properties. Based on the methods of Bayesian statistics and machine learning, methods are proposed for the effective use of a priori information on the properties of raw materials, accumulated statistical data on the properties of concrete mixes/concrete, expressed in the form of various empirical dependencies and physicochemical models, for constructing probabilistic models. The algorithm presented in the article makes it possible to create economical experimental plans for constructing a multidimensional response surface in the space of possible compositions. Further work with the obtained response surface can be carried out by various methods, for example, by studying slices along the coordinate axes of interest in arbitrary planes or directions.

бетонные смесиматематическое пространство составовнепрерывность свойствconcrete mixturesmathematical space of compositionscontinuity of propertiesReferencesНевилль А.М. Свойства бетона. М.: Стройиздат, 1972. 344 с.Nevill’ A.M. Svoistva betona [Сoncrete properties]. Moscow: Stroyizdat. 1972. 344 p.Ахвердов И.Н. Основы физики бетона. М.: Стройиздат, 1981. 464 с.Akhverdov I.N. Osnovy fiziki betona [Fundamentals of concrete physics]. Moscow: Stroyizdat. 1981. 464 p.De Larrard F. Concrete mixture proportioning. A scientific approach. London and New York, 1998. 448 p.De Larrard F. Concrete mixture proportioning. A scientific approach. London and New York, 1998. 448 p.Шейкин А.Е., Чеховский Ю.В., Бруссер М.И. Структура и свойства цементных бетонов. М.: Стройиздат, 1979. 344 с.Sheikin A.E., ChekhovskiyYu.V., Brusser M.I. Struktura i svoistva tsementnykh betonov [Structure and properties of cement concretes]. Moscow: Stroyizdat. 1979. 344 p.Zongjin L. Advanced concrete technology. Wiley. 2011. 528 p.Zongjin L. Advanced concrete technology. Wiley. 2011. 528 p.Баженов Ю.М. Технология бетона. М.: АВС, 2003. 499 с.Bazhenov Yu.M. Tekhnologiya betona [Concrete technology]. Moscow: AVS. 2003. 499 p.Белов В.В., Курятников Ю.Ю., Новиченкова Т.Б. Технология и свойства современных цементов и бетонов. М.: АСВ, 2014. 280 p.Belov V.V., Kuriatnikov Iu.Iu., Novichenkova T.B. Tehnologiia i svoistva sovremennyh cementov i betonov [Technology and properties of modern cements and concretes]. Moscow: ASV. 2014. 280 p.Добшиц Л.М., Физико-математическая модель разрушения бетонов при попеременном замораживании и оттаивании // <i>Жилищное строительство</i>. 2017. № 12. С. 30–36.Dobshits L.M. Physical and mathematical model of destruction of concrete under alternate freezing and thawing. <i>Zhilishchnoe Stroitel’stvo</i> [Housing Construction]. 2017. No. 12, pp. 30–36. (In Russian).Шейкин А.Е. Строительные материалы. М.: Стройиздат, 1989. 432 с.Sheikin A.E. Stroitel’nye materialy [Construction materials]. Moscow: Stroyizdat. 1989. 432 p.Добшиц Л.М., Пути повышения долговечности бетона // <i>Строительные материалы</i>. 2017. № 10. С. 4–9 с.Dobshits L.M. Ways to improve the durability of concrete. <i>Stroitel’nye Materialy</i> [Construction materials]. 2017. No. 10, pp. 4–9. (In Russian).Добшиц Л.М. Морозостойкость бетонов транспортных сооружений и пути ее повышения: Дис. … д-ра техн. наук. М., 2000. 385 c.Dobshits L.M. Frost resistance of concrete transport structures and ways to improve it. Doctor Diss. (Engineering). Moscow. 2000. 385 p. (In Russian).Кобзарь А.И. Прикладная математическая статистика для инженерных и научных работников. М.: Физматлит, 2012. 816 с.Kobzar’ A.I. Prikladnaya matematicheskaya statistika dlya inzhenernykh i nauchnykh rabotnikov [Applied mathematical statistics for engineers and scientists]. Fizmatlit. 2012. 816 p.Queipo N.V., Haftka R.T., Shyy W, Goel T., Vaidyanathan R., Tucker P.K., Surrogate-based analysis and optimization. <i>Progress in Aerospace Sciences</i>. 2005. Vol. 41, pp. 1–28.Queipo N.V., Haftka R.T., Shyy W, Goel T., Vaidyanathan R., Tucker P.K., Surrogate-based analysis and optimization. <i>Progress in Aerospace Sciences</i>. 2005. Vol. 41, pp. 1–28.Винарский М.С., Лурье М.В., Планирование эксперимента в технологических исследованиях. Киев: Техника, 1975. 168 с.Vinarskiy M.S., Lur’e M.V., Planirovanie eksperimenta v tekhnologicheskikh issledovaniyakh [Planning an experiment in technology research]. Kiev: Tekhnika. 1975. 168 p.Дрейпер Н., Смит Г. Прикладной регрессионный анализ. Множественная регрессия. М.: Диалектика, 2017. 912 с.Dreiper N., Smit G., Prikladnoi regressionnyi analiz. Mnozhestvennaya regressiya [Applied regression analysis. Multiple regression]. Moscow: Dialektika. 2017. 912 p.Zain M.F.M., Abd S.M. Multiple regression model for compressive strength prediction of high performance concrete. <i>Journal of Applied Sciences</i>. 2009. No. 9, pp.155–160.Zain M.F.M., Abd S.M. Multiple regression model for compressive strength prediction of high performance concrete. <i>Journal of Applied Sciences</i>. 2009. No. 9, pp.155–160.Tao C., Kutchko B.G., Rosenbaum E., Massoudi M., A review of rheological modeling of cement slurry in oil well applications. <i>Energies</i>. 2020. Vol. 13. 570 p.Tao C., Kutchko B.G., Rosenbaum E., Massoudi M., A review of rheological modeling of cement slurry in oil well applications. <i>Energies</i>. 2020. Vol. 13. 570 p.Дворкин Л.И., Дворкин О.Л., Расчетное прогнозирование свойств и проектирование составов бетона. М.: Инфра-Инженерия, 2019. 385 с.Dvorkin L.I., Dvorkin O.L. Raschetnoe prognozirovanie svoistv i proektirovanie sostavov betona [Computational prediction of properties and design of concrete compositions]. Moscow: Infra-Inzheneriya, 2019. 385 p.Seruet A. A novel stability analysis of linear systems under asynchronous samplings. <i>Automatica</i>. 2012. Vol. 48, pp. 177–182.Seruet A. A novel stability analysis of linear systems under asynchronous samplings. <i>Automatica</i>. 2012. Vol. 48, pp. 177–182.Фихтенгольц Г.М. Основы математического анализа. Ч. I. СПб.: Лань, 2008. 448 с.Fikhtengol’ts G.M. Osnovy matematicheskogo analiza. Chast’ I [Fundamentals of mathematical analysis. Part I]. Saint Petersburg: Lan’. 2008. 448 p.Olkin I., Gleser L.J., Derman C. Probability models and applications. MacMillan Publishing Company. 1999. 575 p.Olkin I., Gleser L.J., Derman C. Probability models and applications. MacMillan Publishing Company. 1999. 575 p.Jordan M.I., Mitchell T.M., Machine learning: trends, perspectives, and prospects. <i>Science</i>. 2015. Vol. 349, pp. 255–260 p.Jordan M.I., Mitchell T.M., Machine learning: trends, perspectives, and prospects. <i>Science</i>. 2015. Vol. 349, pp. 255–260 p.Weiwei J. Applications of deep learning in stock market prediction: recent progress. <i>Expert Systems with Applications</i>. 2021. Vol. 184. 115537.Weiwei J. Applications of deep learning in stock market prediction: recent progress. <i>Expert Systems with Applications</i>. 2021. Vol. 184. 115537.Ausawalaithong W., Thirach A., Marukatat S., and Wilaiprasitporn T. Automatic lung cancer prediction from chest X-ray images using the deep learning approach. <i>11th Biomedical Engineering International Conference (BMEiCON)</i>. 2018, pp. 1–5.Ausawalaithong W., Thirach A., Marukatat S., and Wilaiprasitporn T. Automatic lung cancer prediction from chest X-ray images using the deep learning approach. <i>11th Biomedical Engineering International Conference (BMEiCON)</i>. 2018, pp. 1–5.Green P.J., Latuszynski K., Pereyra M., Robert C.P. Bayesian computation: a summary of the current state, and samples backwards and forwards. <i>Statistics and Computing</i>. 2015. Vol. 25, pp. 835–862.Green P.J., Latuszynski K., Pereyra M., Robert C.P. Bayesian computation: a summary of the current state, and samples backwards and forwards. <i>Statistics and Computing</i>. 2015. Vol. 25, pp. 835–862.Kanamarlapudi, L., Jonalagadda K.B., Jagarapu D.C.K. et al. Different mineral admixtures in concrete: a review. <i>SN Applied Sciences</i>. 2020. No. 2. 760.Kanamarlapudi, L., Jonalagadda K.B., Jagarapu D.C.K. et al. Different mineral admixtures in concrete: a review. <i>SN Applied Sciences</i>. 2020. No. 2. 760.Глекель Ф.Л. Физико-химические основы применения минеральных добавок. Ташкент: Изд-во «ФАН», 1975. 198 с.Glekel’ F.L. Fiziko-khimicheskie osnovy primeneniya mineral’nykh dobavok [Physical and chemical bases of application of mineral additives]. Tashkent: FAN. 1975. 198 p.Mehta P.K. High performance, high-volume fly ash concrete for sustainable development. University of California, Berkeley, 2004.Mehta P.K. High performance, high-volume fly ash concrete for sustainable development. University of California, Berkeley, 2004.Wang Y. and McDowell D.L. (ed.) Uncertainty quantification in multiscale materials modeling. Woodhead Publishing, 2020. 586 p.Wang Y. and McDowell D.L. (ed.) Uncertainty quantification in multiscale materials modeling. Woodhead Publishing, 2020. 586 p.Eggwertz S., Lind N.C. (ed), Probabilistic methods in the mechanics of solids and structures. Berlin: Springer-Verlag. 1985. 610 p.Eggwertz S., Lind N.C. (ed), Probabilistic methods in the mechanics of solids and structures. Berlin: Springer-Verlag. 1985. 610 p.Изотов В.С., Соколова Ю.А. Химические добавки для модификации бетона. М.: Палеолит, 2006. 244 с.Izotov V.S., Sokolova Yu.A. Khimicheskie dobavki dlya modifikatsii betona [Chemical additives for concrete modification]. Moscow: Paleolit. 2006. 244 p.Биркгоф Дж. Динамические системы. М.: ОГИЗ, 1999. 480 с.Birkgof Dzh. Dinamicheskie sistemy [Dynamic systems]. Moscow: OGIZ. 1999. 480 p.Baule A., Morone F., Hermann H.J., Makse H.A. Edwards statistical mechanics for jammed granular matter. <i>Reviews of modern physics</i>. 2018. Vol. 90. 015006.Baule A., Morone F., Hermann H.J., Makse H.A. Edwards statistical mechanics for jammed granular matter. <i>Reviews of modern physics</i>. 2018. Vol. 90. 015006.Репин В.Г., Тартаковский Г.П. Статистический синтез при априорной неопределенности и адаптация информационных систем. М.: Советское радио, 1977. 432 с.Repin V.G., Tartakovskii G.P. Statisticheskii sintez pri apriornoi neopredelennosti i adaptatsiya informatsionnykh system [Statistical synthesis under a priori uncertainty and adaptation of information systems]. Moscow: Sovetskoe radio. 1977. 432 p.Chidiac S.E., Moutassem F., Mahmoodzadeh F., Compressive strength model for concrete. <i>Magazine of Concrete Research</i>. 2013. Vol. 65, pp. 557–572.Chidiac S.E., Moutassem F., Mahmoodzadeh F., Compressive strength model for concrete. <i>Magazine of Concrete Research</i>. 2013. Vol. 65, pp. 557–572.Белов В.В. Теоретическое обоснование оптимальных зерновых составов композиционных материалов с минеральными наполнителями // <i>Строительство и реконструкция</i>. 2017. № 5. С. 94–101.Belov V.V. Teoreticheskoe obosnovanie optimal’nykh zernovykh sostavov kompozitsionnykh materialov s mineral’nymi napolnitelyami. <i>Stroitel’stvo i rekonstruktsiya.</i> 2017. No. 5, pp. 94–101. (In Russian).Kwan A.K.H. Combined effect of water film thickness and paste film thickness on rheology of mortar. <i>Materials and Structures</i>. 2012. Vol. 45, pp. 1359–1374.Kwan A.K.H. Combined effect of water film thickness and paste film thickness on rheology of mortar. <i>Materials and Structures</i>. 2012. Vol. 45, pp. 1359–1374.

The authors declare that there are no conflicts of interest present.