Применение вероятностных подходов для построения моделей «состав–свойство». Часть I (Теория)
https://doi.org/10.31659/0005-9889-2022-612-613-4-5-25-37
Аннотация
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.
Об авторах
Р. О. Резаев
IFW Institute for Theoretical Solid State Physics; Томский политехнический университет
Германия
Германия
канд. физ.-мат. наук
e-mail: rezaev.roman@gmail.com
А. А. Дмитриев
Томский политехнический университет
Россия
Россия
инженер
Д. В. Чернявский
IFW Institute for Theoretical Solid State Physics
Германия
Германия
канд.физ.-мат. наук
Список литературы
1. Невилль А.М. Свойства бетона. М.: Стройиздат, 1972. 344 с.
2. Ахвердов И.Н. Основы физики бетона. М.: Стройиздат, 1981. 464 с.
3. De Larrard F. Concrete mixture proportioning. A scientific approach. London and New York, 1998. 448 p.
4. Шейкин А.Е., Чеховский Ю.В., Бруссер М.И. Структура и свойства цементных бетонов. М.: Стройиздат, 1979. 344 с.
5. Zongjin L. Advanced concrete technology. Wiley. 2011. 528 p.
6. Баженов Ю.М. Технология бетона. М.: АВС, 2003. 499 с.
7. Белов В.В., Курятников Ю.Ю., Новиченкова Т.Б. Технология и свойства современных цементов и бетонов. М.: АСВ, 2014. 280 p.
8. Добшиц Л.М., Физико-математическая модель разрушения бетонов при попеременном замораживании и оттаивании // <i>Жилищное строительство</i>. 2017. № 12. С. 30–36.
9. Шейкин А.Е. Строительные материалы. М.: Стройиздат, 1989. 432 с.
10. Добшиц Л.М., Пути повышения долговечности бетона // <i>Строительные материалы</i>. 2017. № 10. С. 4–9 с.
11. Добшиц Л.М. Морозостойкость бетонов транспортных сооружений и пути ее повышения: Дис. … д-ра техн. наук. М., 2000. 385 c.
12. Кобзарь А.И. Прикладная математическая статистика для инженерных и научных работников. М.: Физматлит, 2012. 816 с.
13. 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.
14. Винарский М.С., Лурье М.В., Планирование эксперимента в технологических исследованиях. Киев: Техника, 1975. 168 с.
15. Дрейпер Н., Смит Г. Прикладной регрессионный анализ. Множественная регрессия. М.: Диалектика, 2017. 912 с.
16. 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.
17. 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.
18. Дворкин Л.И., Дворкин О.Л., Расчетное прогнозирование свойств и проектирование составов бетона. М.: Инфра-Инженерия, 2019. 385 с.
19. Seruet A. A novel stability analysis of linear systems under asynchronous samplings. <i>Automatica</i>. 2012. Vol. 48, pp. 177–182.
20. Фихтенгольц Г.М. Основы математического анализа. Ч. I. СПб.: Лань, 2008. 448 с.
21. Olkin I., Gleser L.J., Derman C. Probability models and applications. MacMillan Publishing Company. 1999. 575 p.
22. Jordan M.I., Mitchell T.M., Machine learning: trends, perspectives, and prospects. <i>Science</i>. 2015. Vol. 349, pp. 255–260 p.
23. Weiwei J. Applications of deep learning in stock market prediction: recent progress. <i>Expert Systems with Applications</i>. 2021. Vol. 184. 115537.
24. 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.
25. 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.
26. 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.
27. Глекель Ф.Л. Физико-химические основы применения минеральных добавок. Ташкент: Изд-во «ФАН», 1975. 198 с.
28. Mehta P.K. High performance, high-volume fly ash concrete for sustainable development. University of California, Berkeley, 2004.
29. Wang Y. and McDowell D.L. (ed.) Uncertainty quantification in multiscale materials modeling. Woodhead Publishing, 2020. 586 p.
30. Eggwertz S., Lind N.C. (ed), Probabilistic methods in the mechanics of solids and structures. Berlin: Springer-Verlag. 1985. 610 p.
31. Изотов В.С., Соколова Ю.А. Химические добавки для модификации бетона. М.: Палеолит, 2006. 244 с.
32. Биркгоф Дж. Динамические системы. М.: ОГИЗ, 1999. 480 с.
33. 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.
34. Репин В.Г., Тартаковский Г.П. Статистический синтез при априорной неопределенности и адаптация информационных систем. М.: Советское радио, 1977. 432 с.
35. Chidiac S.E., Moutassem F., Mahmoodzadeh F., Compressive strength model for concrete. <i>Magazine of Concrete Research</i>. 2013. Vol. 65, pp. 557–572.
36. Белов В.В. Теоретическое обоснование оптимальных зерновых составов композиционных материалов с минеральными наполнителями // <i>Строительство и реконструкция</i>. 2017. № 5. С. 94–101.
37. 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.
Рецензия
Для цитирования:
Резаев Р.О., Дмитриев А.А., Чернявский Д.В. Применение вероятностных подходов для построения моделей «состав–свойство». Часть I (Теория). Бетон и железобетон. 2022;612-613(4-5):25-37. https://doi.org/10.31659/0005-9889-2022-612-613-4-5-25-37
For citation:
Rezaev R.O., Dmitriev A.A., Chernyavsky D.V. Application of probabilistic approaches for the construction of “composition–property” models. Part I (Theory). Concrete and Reinforced Concrete. 2022;612-613(4-5):25-37. (In Russ.) https://doi.org/10.31659/0005-9889-2022-612-613-4-5-25-37
Просмотров:
34
Послать статью по эл. почте 