Bê tông sử dụng tro bay là một loại vật liệu xây dựng được thay thế một phần xi măng Portland bằng tro bay từ phụ phẩm thu được trong quá trình đốt than tại các nhà máy nhiệt điện. Việc sử dụng tro bay với tỷ lệ thích hợp góp phần tạo nên hỗn hợp bê tông bền vững hơn và mang lại những lợi ích đáng kể cho môi trường. Trong nghiên cứu này, mô hình học máy XGBoost được triển khai để dự đoán cường độ chịu nén bê tông sử dụng tro bay nhằm tối ưu tỷ lệ thành phần vật liệu trong cấp phối bê tông, từ đó nâng cao hiệu quả sử dụng và đảm bảo chất lượng bê tông trong điều kiện thực tế.
Kết quả nghiên cứu mô hình XGBoost có khả năng dự báo hiệu quả cường độ chịu nén của bê tông sử dụng tro bay (ảnh minh họa)
Tro bay là sản phẩm phụ trong quá trình đốt than, có các tính chất lý hóa thay đổi đáng kể tùy thuộc vào loại than sử dụng. Các thành phần oxit có trong tro bay như SiO2, Al2O3, CaO và Fe2O3 chiếm khoảng 90% tổng khối lượng, đóng vai trò quyết định đến tính chất và hiệu quả của tro bay khi sử dụng trong bê tông [1]. Đáng chú ý, hàm lượng silic (SiO2) và nhôm (Al2O3) ảnh hưởng đáng kể đến quá trình hình thành chất kết dính. Trên cơ sở đó, tro bay được sửdụng là vật liệu thay thế một phần xi măng Portland truyền thống, góp phần giảm phát thải khí CO₂ trong quá trình sản xuất đồng thời tận dụng hiệu quả các nguồn phế thải
Quá trình thiết kế cấp phối bê tông sử dụng tro bay là một bước quan trọng để xác định tỷ lệ giữa các thành phần vật liệu. Mặc dù các tiêu chuẩn hiện hành cung cấp cơ sở để thiết kế thành phần cấp phối nhưng trong thực tế, việc tối ưu hóa cấp phối để đáp ứng yêu cầu kỹ mất nhiều thời gian và công sức [2]. Trong nghiên cứu thực nghiệm của Joshi (2017), một phần xi măng đã được thay thế bằng tro bay với tỷ lệ từ 10% đến 30%, nhằm đánh giá ảnh hưởng của vật liệu này đến các đặc tính của bê tông sử dụng tro bay như thời gian đông kết, độ bền, khả năng thi công và cường độ chịu nén [3].
Các thử nghiệm về cường độ chịu nén có tỷ lệ pha trộn tối ưu có thể cải thiện đáng kể cường độ bền, tùy thuộc vào loại tro bay sử dụng. Nghiên cứu của Jatale và cộng sự (2013) đánh giá ảnh hưởng cường độ chịu nén bê tông khi thay thế một phần xi măng bằng tro bay và nhận thấy mức độ phát triển cường độ ở các độ tuổi khác nhau có liên quan đến tỷ lệ nước/xi măng và tỷ lệ tro bay trong hỗn hợp bê tông [4]. Đối với, Wankhede và cộng sự (2014) nghiên cứu tác động của tro bay đối với các đặc tính của bê tông và phát hiện độ sụt của bê tông tăng khi lượng tro bay tăng [5].
Kết quảcho thấy rằng với việc thay thế từ 10% đến 20% xi măng thì cường độ chịu nén tốt hơn sau 28 ngày so với bê tông thông thường, nhưng trong trường hợp thay thế trên 30% xi măng thì cường độ chịu nén tối đa giảm. Các kết quả đạt được cho thấy mức độ hiệu quả của việc sử dụng tro bay phụ thuộc vào sự phối trộn giữa các thành phần vật liệu trong hỗn hợp. Do đó, để tối ưu hóa tỷ lệ cấp phối và giảm thiểu sự phụ thuộc vào các thiết kế thực nghiệm cần xây dựng mô hình tính toán phù hợp để dự báo tỷ lệ cấp phối là rất cần thiết [6].
Trong bối cảnh đó, trí tuệ nhân tạo (AI), đặc biệt là các thuật toán học máy được xem là công cụ hiệu quả để dự báo cường độ chịu nén bê tông tro bay nhờ khả năng học từ dữ liệu [7]. Nhiều nghiên cứu trước đây đã triển khai hiệu quả các mô hình học máy để dự báo một số đặc tính bê tông như độ bền [8], độ sụt [9], độ thấm [10] và cường độ chịu nén [11] với các mô hình học máy đáng chú ý như: cây quyết định tăng cường gradient (XGBoost) [12], CatBoost (CBT) [13], mạng nơron nhân tạo (ANN), máy vectơ hỗtrợ(SVM), rừng ngẫu nhiên (RF)...
Kết quả nghiên cứu mô hình XGBoost có khả năng dự báo hiệu quả cường độ chịu nén của bê tông sử dụng tro bay, với hệ số xác định R² lần lượt đạt 0,896 và 0,868 trên các tập dữ liệu huấn luyện và kiểm chứng. Nghiên cứu có ý nghĩa đối với các kỹ sư và nhà thiết kế đưa ra quyết định nhanh chóng, tiết kiệm thời gian và giảm chi phí thử nghiệm. Tuy nhiên, hạn chế về quy mô dữ liệu và tính đa dạng của các tham số đầu vào cho thấy cần có các nghiên cứu tiếp theo với tập dữ liệu phong phú hơn và kiểm định mô hình trong nhiều điều kiện thực tế khác nhau để nâng cao độ tin cậy trong thực tiễn xây dựng.
Xem chi tiết Bài nghiên cứu TẠI ĐÂY:
Build.Data
