Modeling and Optimization of Concrete Mixtures Using Machine Learning Estimators and Genetic Algorithms

Título traducido de la contribución: Modelado y Optimización de Mezclas de Concreto Usando Estimadores de Aprendizaje Automático y Algoritmos Genéticos

Ana I. Oviedo-Carrascal, Jorge M. Londoño, John F. Vargas, Carolina Zuluaga, Ana Gómez

Producción científica: Contribución a una revistaArtículo en revista científica indexadarevisión exhaustiva

Resumen

This study presents a methodology to optimize concrete mixtures by integrating machine learning (ML) and genetic algorithms. ML models are used to predict compressive strength, while genetic algorithms optimize the mixture cost under quality constraints. Using a dataset of over 19,000 samples from a local ready-mix concrete producer, various predictive ML models were trained and evaluated regarding cost-effective solutions. The results show that the optimized mixtures meet the desired compressive strength range and are cost-efficient, thus having 50%
of the solutions yielding a cost below 98%
of the test cases. CatBoost emerged as the best ML technique, thereby achieving a mean absolute error (MAE) below 5 MPa. This combined approach enhances quality, reduces costs, and improves production efficiency in concrete manufacturing
Título traducido de la contribuciónModelado y Optimización de Mezclas de Concreto Usando Estimadores de Aprendizaje Automático y Algoritmos Genéticos
Idioma originalInglés
Páginas (desde-hasta)642-658
Número de páginas17
PublicaciónModelling
Volumen5
N.º3
DOI
EstadoPublicada - 24 jun. 2024

Palabras clave

  • concrete mixture optimization; genetic algorithm; machine learning estimators; compressive strength prediction

Tipos de Productos Minciencias

  • Artículos de investigación con calidad A2 / Q2

Citar esto