Smart composite in construction Smart composite in construction Умные композиты в строительстве 2782-1919 84145 10.52957/2782-1919-2024-5-2-20-38 Строительные материалы и изделия Construction materials and products Строительные материалы и изделия Predictive modelling of foam glass performance properties using linear regression-based machine learning models Предиктивное моделирование эксплуатационных свойств пеностекла с использованием моделей машинного обучения на основе линейной регрессии Федосов Сергей Викторович Fedosov Sergey Viktorovich fedosov-academic53@mail.ru

доктор технических наук;

doctor of technical sciences;

 Баканов Максим Олегович Bakanov Maksim Olegovich mask-13@mail.ru

доктор технических наук;

doctor of technical sciences;

 Грушко Ирина Сергеевна Grushko Irina Sergeevna grushkois@gmail.com Московский государственный строительный университет Moscow State University of Civil Engineering Ивановская пожарно-спасательная академия ГПС МЧС России Россия Ивановская пожарно-спасательная академия ГПС МЧС России Russian Federation Южно-Российский государственный политехнический университет (НПИ) имени М.И. Платова Platov South-Russian State Polytechnic University 23 06 2024 23 06 2024 5 2 20 38 02 03 2024 10 06 2024 https://chemintech.ru/en/nauka/article/84145/view

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.

Building construction requires the use of efficient thermal insulation materials such as foam glass in view of energy conservation. The paper considers predictive modelling of the performance properties of foam glass using machine learning models. The paper presents a mathematical description of the additives impact in the charge on the properties of foam glass. Nine charge compositions for foam glass synthesis were developed and their main microstructure parameters were determined. The authors tested the regression models using the Jupyter Notebook software environment and the SciKit-Learn library in the Python programming language. The paper analyses the regression equation coefficients and estimates the modelling error. The obtained results confirm the effectiveness of predictive modelling of foam glass performance properties on the basis of linear regression.

 пеностекло микроструктура эксплуатационные свойства машинное обучение регрессионный анализ foam glass microstructure functional properties machine learning regression analysis

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. Sejdinović, B. (2023) Modern Thermal Insulation and Sound Insulation Materials, Lecture Notes in Networks and Systems, (539), pp. 218-233. https://doi.org/10.1007/978-3-031-17697-5_19. 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. Davraz, M., Koru, M., Akdağ, A.E., Kılınçarslan, Ş. & Delikanlı, Y.E. et al. (2022) An investigation of foaming additives and usage rates in the production of ultra-light foam glass, J. Therm. Analys. Calorimetr., (147), pp. 3567-3576. https://doi.org/10.1007/s10973-021-10781-8. 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. Bashiri, A., Amirhosseini, A., Mirkazemi, S.M. & Ghanbari, H. (2021) Effect of Temperature and Water Glass Addition on the Microstructure and Physical Properties of Soda–Lime Foam Glass, Glass Phys. Chem., (47), pp. 83-90. https://doi.org/10.1134/S1087659621020024. 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. Semukhin, B.S., Votinov, A.V. & Kazmina, O.V. (2020) Properties of Foamglass with Fullerene-like Mesostructure, Rus. Phys J., 63 (4), pp. 710-712 (in Russian). 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. Latyntseva, E. A., Podoynikova, Ya. R., Bezrukova, T.A. & Murtazina, A.A. (2020) Influence of raw materials on the properties of foam glass and development prospects, Constr. Mat. Prod., 3 (1), pp. 44-48 (in Russian). Сорокин Д.С., Береговой В.А., Капустин A.Е. Пористые гранулированные материалы на основе природных силицитов // Инженерный вестник Дона. 2019. № 2(53). С. 44. Sorokin, D.S., Beregovoy, V.A. & Kapustin, A.E. (2019) Porous granular materials based on natural silicites // Engineering Journal of the Don, 2(53), p. 44 (in Russian). 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. Zhimalov, A.A., Nikishonkova, O.A., Spiridonov, Yu.A., Kosobudskii, I.D. & Vikulova, M.A. (2019) Physical-Chemical Studies of Gaizes as Alternative Raw Materials for the Production of Foam Glass and Foam Materials, Glass and Ceramics, (75), pp. 387-390. https://doi.org/10.1007/s10717-019-00091-9. 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. Liu, H., Tang, M., Wang, Z., Liu, W., Ma, Y. et al. (2022) Optimized mechanical properties and thermal insulation capacity of foam glass through K2Ti6O13 whiskers addition, J. Austral. Ceramic Soc., (58), pp. 1241 1248. https://doi.org/10.1007/s41779-022-00761-y. 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. Vedyakov, I., Vaskalov, V., Maliavski, N., Nezhikov, A. & Vedyakov, M. (2023) Granular Foam-Glass-Ceramic Thermal Insulation Based on Natural Quartz Sand, Lect. Not. Civ. Eng., (282), pp. 395-405. https://doi.org/10.1007/978-3-031-10853-2_37. 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. Fedosov, S.V. & Bakanov, M.O. "Theoretical and applied principles of high-temperature heat treatment processes in the production of thermal insulating foam glass" // Ustojchivoe razvitie regiona: arhitektura, stroitel'stvo, transport [Sustainable development of the region: architecture, construction, transport]. Mat. VII Mezhd. nauch.-prakt. konf. Tambov [Mat. VII Int. Sci. Pract. Conf. Tambov], 2020, pp. 40-43 (in Russian). ГОСТ 7076-99 Материалы и изделия строительные. Метод определения теплопроводности и термического сопротивления при стационарном тепловом режиме. М.: ГУП ЦППб, 2000. 27 с. GOST 7076-99 Construction materials and products. Method for determining thermal conductivity and thermal resistance under stationary thermal conditions. M.: State Unitary Enterprise TsPPb, 2000 (in Russian). ГОСТ EN 1602-2011 Изделия теплоизоляционные, применяемые в строительстве. Метод определения кажущейся плотности. М.: Стандартинформ, 2012. 8 с. GOST EN 1602-2011 Thermal insulation products used in construction. Method for determining apparent density. M.: Standartinform, 2012 (in Russian). ГОСТ 33949-2016 Изделия из пеностекла теплоизоляционные для зданий и сооружений. М.: Стандартинформ, 2019. 15 с. GOST 33949-2016 Heat-insulating foam glass products for buildings and structures. M.: Standartinform, 2019 (in Russian). ГОСТ 17177-94 Материалы и изделия строительные теплоизоляционные. Методы испытаний. М.: ИПК Изд. стандартов, 2002. 40 с. GOST 17177-94 Heat-insulating construction materials and products. Test methods. M.: IPK Publ. House of Standards, 2002 (in Russian). ГОСТ EN 1607-2011 Изделия теплоизоляционные, применяемые в строительстве. Метод определения прочности при растяжении перпендикулярно к лицевым поверхностям. М.: Стандартинформ, 2012. 11 с. GOST EN 1607-2011 Thermal insulation products used in construction. Method for determining tensile strength perpendicular to face surfaces. M.: Standartinform, 2012 (in Russian). ГОСТ EN 12430-2011 Изделия теплоизоляционные, применяемые в строительстве. Метод определения прочности при действии сосредоточенной нагрузки. М.: Стандартинформ, 2012. 16 с. GOST EN 12430-2011 Thermal insulation products used in construction. Method for determining strength under concentrated load. M.: Standartinform, 2012 (in Russian). 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. Fedosov, S.V. & Bakanov, M.O. (2017) Modelling of Temperature Field Distribution of the Foam Glass Batch in Terms of Thermal Treatment of Foam Glass, Int. J. Comput. Civ. Struct Eng., 13(3), pp. 112-118. 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. Fedosov, S.V., Bakanov, M.O. & Domnina, K.L. (2020) Mathematical modeling of technological processes for producing heat-insulating cellular composites, News of the Kyrgyz. State Techn. Un-t im. I. Razzakova, 3(55), pp. 207-213 (in Russian). 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. Gutierrez, D.D. Inside BIG DATA. Guide to Predictive Analytics: TIBCO Spotfire Business Intelligence Platform. 2017. Available at: http://www.spotfiretibco.ru/wpcontent/uploads/2017/09/InsideBIGDATA.pdf. (in Russian) (accessed 12.02.2024). 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. Omar, N.S., Hatem, W.A. & Najy, H.I. (2019) Predictive modeling for developing maintenance management in construction projects, Civ. Eng. J., 5(4), pp. 892-900. 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. Moein, M.M., Saradar, A., Rakhmati K., Musavinedzhad S.Kh.G. & Bristow J. et al. (2023) Predictive models for concrete properties using machine learning and deep learning approaches: rev., J. Build. Eng., (63), p. 105444. 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. Mater, Ya., Kamel M., Karam A. & Bakhum E. (2023) ANN-Python prediction model for the compressive strength of green concrete, Constr. Innovation, 23(2), pp. 340-359. 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. Amin, M.N., Ivtikhar, B., Khan K., Javed M.F. & AbuArab A.M. et al. (2023) Prediction model for rice husk ash concrete using AI approach: Boosting and bagging algorithms, Structures, (50), pp. 745-757. https://doi.org/10.1016/j.istruc.2023.02.080. 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. Nazar, S., Tszyn Ya., Amin, M.N., Khan K. & Ashraf M. et al. (2023) Machine learning interpretable-prediction models to evaluate the slump and strength of fly ash-based geopolymer, J. Mat. Res. Techn., (24), pp. 100-124. https://doi.org/10.1016/j.jmrt.2023.02.180. 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. Fransson, E., Eriksson, F. & Erhart, P. (2020) Efficient construction of linear models in materials modeling and applications to force constant expansions, Npj Comput. Mater., (6), p. 135. https://doi.org/10.1038/s41524-020-00404-5. 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. Chore, H.S. & Shelke, N.L. (2013) Prediction of compressive strength of concrete using multiple regression model, Struct. Eng. Mechan., 45(6), pp. 837-851. https://doi.org/10.12989/SEM.2013.45.6.837. 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. Obianyo, I.I., Anosike-Francis, E.N., Ihekweme, G.O., Geng, Ya. & Jin, R. et al. (2020) Multivariate regression models for predicting the compressive strength of bone ash stabilized lateritic soil for sustainable building, Constr. Build. Mat., (263), p. 120677. https://doi.org/10.1016/j.conbuildmat.2020.120677 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. Jin, R., Chen, Q. & Soboyejo, A.B.O. (2018) Non-linear and mixed regression models in predicting sustainable concrete strength, Constr. Build. Mat., (170), pp. 142-152. https://doi.org/10.1016/j.conbuildmat.2018.03.063. 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. Matveev, M.A., Matveev, G.M. & Frenkel, B.N. Calculations on chemistry and glass technology: Ref. man. M.: Constr. Liter. Publ. House, 1972 (in Russian). Pedregosa F. et al. Scikit-learn: Machine Learning in Python // J. Mach. Learn. Res. 2011. Vol. 12. P. 2825-2830. Pedregosa, F., Varoquaux G., Gramfort A., Mishel V. & Bertrand T. et al. (2011) Scikit-learn: Machine Learning in Python, J. Mach. Learn. Res., (12), pp. 2825-2830.