This study investigates the application of deep learning and machine learning
techniques for the classification of sulfur-based concrete samples based on porosity,
which is an important property that affects the strength, durability, and permeability of
concrete.
The first part of the research focused on creating a unique dataset of sulfur-based
concrete samples and calculating features such as porosity. The percentage porosity
was then calculated, and images were labeled as low porosity or high porosity based
on the percentage of porosity. The images of physical samples were automatically
annotated by image processing techniques to create a dataset.
The second part of the study aimed to train and test a neural network to predict and
classify samples based on porosity. We classified concrete images into two separate
classes of low and high porosity using a basic Convolutional Neural Network (CNN)
and transfer learning with a pre-trained model such as AlexNet. Porosity was
calculated as the distribution of air voids and aggregates through the concrete sample.
The comparison of two of the best models and finding the accuracy and other
performance metrices of the networks were done using confusion matrices.
The conclusion of this study shows that pre-trained models with transfer learning, such
as AlexNet, can be used to accurately and automatically classify sulfur-based concrete
samples based on porosity, which could lead to faster and more efficient quality control
of concrete production. This study also sets the stage for further research into the
application of artificial intelligence methods in the field of civil engineering, as it
offers a new method for classifying and predicting the characteristics of construction
materials such as concrete. In future studies, the dataset created in this study can also
be used for regression analyses.
ÖZ:
Bu çalışmada, betonun mukavemetini, dayanıklılığını ve geçirgenliğini etkileyen
önemli bir özellik olan gözenekliliğe dayalı kükürt bazlı beton numunelerinin
sınıflandırılması için derin öğrenme ve makine öğrenme tekniklerinin uygulanması
araştırılmaktadır.
Araştırmanın ilk kısmında, kükürt bazlı beton numunelerden oluşan bir veri tabanı
oluşturmaya ve gözeneklilik gibi özellikleri hesaplamaya odaklandı. Daha sonra
gözeneklilik yüzdesi hesaplandı ve görüntüler, gözeneklilik yüzdesine göre düşük
gözeneklilik veya yüksek gözeneklilik olarak etiketlendi. Fiziksel numunelerin
görüntüleri, bir veri seti oluşturmak için görüntü işleme teknikleriyle otomatik olarak
tanımlandı.
Çalışmanın ikinci kısmında, gözenekliliğe dayalı örnekleri tahmin etmek ve
sınıflandırmak için bir sinir ağını eğiterek test etmek amaçlandı. Temel bir
Konvolüsyonel Sinir Ağı (CNN) ve AlexNet gibi önceden eğitilmiş bir model
kullanılarak somut görüntüler düşük ve yüksek gözeneklilik olarak iki ayrık sınıfına
ayrıştırldı. Gözeneklilik, hava boşluklarının ve agregaların beton numunesi boyunca
dağılımı olarak hesaplandı. En iyi iki modelin karşılaştırılması ve ağların doğruluk ve
diğer performans ölçümlerinin bulunması karışıklık matrisleri kullanılarak yapılmıştır.
Bu çalışmanın sonucu, AlexNet gibi transfer öğrenmeli önceden eğitilmiş modellerin,
beton üretiminin daha hızlı ve daha verimli kalite kontrolüne yol açabilecek
gözenekliliğe dayalı kükürt bazlı beton numunelerini doğru ve otomatik olarak
sınıflandırmak için kullanılabileceğini göstermektedir. Bu çalışma aynı zamanda,
beton gibi yapı malzemelerinin özelliklerinin sınıflandırılması ve tahmin edilmesi için
yeni bir yöntem sunduğundan, inşaat mühendisliği alanında yapay zeka yöntemlerinin
uygulanmasına yönelik daha fazla araştırma için zemin oluşturmaktadır. Gelecekteki
çalışmalarda, bu çalışmada oluşturulan veri seti regresyon analizleri için de
kullanılabilecektir
