چکیده این رساله به شرح زیر می‌باشد:
دوام سازه‌های بتنی در محیط‌های حاوی یون سولفات، به‌ویژه در مناطق ساحلی، دریایی و خاک‌های سولفاته، از مهم‌ترین چالش‌های مهندسی عمران محسوب می‌شود. برهم‌کنش هم‌زمان نفوذ یون سولفات، چرخه‌های تر و خشک شدن، تغییرات دمایی و تحولات ریزساختاری، رفتار انتقالی و مکانیکی بتن را به‌طور قابل‌توجهی تحت تأثیر قرار می‌دهد. هدف این پژوهش، بررسی عملکرد بتن‌های حاوی مواد مکمل سیمانی و الیاف پلیمری در برابر حمله سولفاتی، توسعه یک مدل عددی دوبعدی برای پیش‌بینی ضریب نفوذ مؤثر یون سولفات و ارائه یک چارچوب هوشمند مبتنی بر یادگیری ماشین جهت افزایش دقت پیش‌بینی بود. بدین منظور، بیش از 1700 مشاهده آزمایشگاهی از نمونه‌های بتنی حاوی متاکائولن، سرباره، خاکستر بادی، میکروسیلیس، نانوسیلیس و الیاف پلی‌پروپیلن و پلی‌استر، تحت چرخه‌های تر و خشک در محلول 10 درصد سولفات سدیم و در دماهای 25، 30 و 35 درجه سانتی‌گراد طی 360 روز جمع‌آوری شد. علاوه بر آزمون‌های مکانیکی، پروفیل نفوذ یون سولفات، تخلخل، رطوبت و درجه خرابی، مطالعات ریزساختاری با استفاده از آزمون‌های XRD، SEM و TGA انجام گرفت. نتایج نشان داد افزایش دما موجب افزایش ضریب نفوذ یون سولفات و تشدید فرآیندهای تخریبی شد، در حالی که استفاده از مواد مکمل سیمانی و الیاف به ترتیب به صورت میانگین در تمامی دماها باعث کاهش تخلخل 71/26 درصد و 35/20 درصد، افزایش مقاومت فشاری بتن 42/19 و 13/17 درصد را نشان داد. در میان طرح‌های مخلوط، بتن‌ حاوی متاکائولن بهترین عملکرد را از نظر کاهش میزان غلظت یون سولفات به صورت میانگین 21/25 درصد نسبت به نمونه‌های شاهد از خود نشان داد. همچنین، الیاف پلی‌پروپیلن و پلی‌استر با کنترل رشد ریزترک‌ها موجب کاهش نفوذ یون سولفات به میزان 21/27 درصد شدند که در این بین پلی استر با طول 6 میلیمتر بهترین عملکرد را داشت. در بخش مدل‌سازی عددی، یک مدل دوبعدی انتقال–واکنش برای پیش‌بینی ضریب نفوذ مؤثر یون سولفات در بتن توسعه یافت که هم‌زمان اثر رطوبت، تخلخل، درجه خرابی، دما، مصرف کلسیم هیدروکسید و میزان مواد مکمل سیمانی (یا الیاف) را در نظر می‌گیرد. سپس با استفاده از داده‌های آزمایشگاهی، پنج الگوریتم یادگیری ماشین شامل KNN، SVM، RF، XGB و GBDT توسعه و با استفاده از یک چارچوب بهینه‌سازی چندهدفه ارزیابی شدند که در آن سه تابع هدف شامل کمینه‌سازی میانگین مربعات خطا (MSE)، کمینه‌سازی یک منهای ضریب تعیین (1−R²) و کاهش پیچیدگی مدل به‌طور هم‌زمان در نظر گرفته شد. مدل GBDT با دقت 14/98 درصد دقیق‌ترین عملکرد را ارائه داد.

واژه‌های کلیدی: بتن، حمله سولفاتی، مواد مکمل سیمانی، چرخه‌های تر و خشک شدن، ضریب نفوذ یون سولفات، الگوریتم‌های یادگیری ماشین

آدرس ایمیل: s_momencivileng.iust.ac.ir