1. Machine learning-based predictive modeling for sustainable pervious concrete pavement design in the context of climate change mitigation
- Author
-
Universitat Politècnica de Catalunya. Departament d'Enginyeria de Projectes i de la Construcció, Pujadas Álvarez, Pablo, López Carreño, Rubén-Daniel, Wu, Yinglong, Universitat Politècnica de Catalunya. Departament d'Enginyeria de Projectes i de la Construcció, Pujadas Álvarez, Pablo, López Carreño, Rubén-Daniel, and Wu, Yinglong
- Abstract
Aquest estudi realitza una exploració experimental en la combinació de tècniques d'enginyeria civil i aprenentatge automàtic amb l'objectiu de desenvolupar dissenys de paviment de formigó permeable sostenibles per mitigar els efectes del canvi climàtic. L'estudi utilitza xarxes neuronals artificials (XNA) per a la modelització predictiva per avaluar l'efecte de diferents característiques d'entrada sobre la resistència a la compressió i la permeabilitat a l'aigua del formigó permeable, que són ambdós paràmetres clau per a la durabilitat i el rendiment ambiental del formigó porós. Utilitzant un conjunt de dades limitat, aquest estudi adopta un enfocament de validació creuada k-fold i entrena nombroses configuracions de XNA per optimitzar la precisió i prevenir el sobreajustament. Es troba que la porositat i el tipus d'agregat gruixut tenen un efecte significatiu en el rendiment del paviment, la qual cosa guia els enginyers a optimitzar les formulacions de formigó segons els requeriments del projecte. Tot i enfrontar-se a limitacions del conjunt de dades i la "caixa negra" interna de les xarxes neuronals profundes, els models XNA obtinguts mostren una alta precisió predictiva, amb efectes potencials en el disseny d'infraestructures urbanes i l'adequació climàtica. Reflexionant sobre les limitacions d'aquest estudi i la possibilitat d'integrar dades més diverses i algorismes avançats en el futur, aquest estudi destaca el potencial de l'aprenentatge automàtic per jugar un paper clau en la millora de la sostenibilitat i l'eficiència de les solucions d'enginyeria civil, així com la seva contribució al canvi climàtic global i al desenvolupament urbà sostenible., Este estudio realiza una exploración experimental en la combinación de técnicas de ingeniería civil y aprendizaje automático con el objetivo de desarrollar diseños sostenibles de pavimentos de concreto permeable para mitigar los efectos del cambio climático. El estudio utiliza redes neuronales artificiales (RNA) para modelado predictivo con el fin de evaluar el efecto de diferentes características de entrada en la resistencia a la compresión y la permeabilidad al agua del concreto permeable, que son ambos parámetros clave para la durabilidad y el rendimiento ambiental del concreto poroso. Utilizando un conjunto de datos limitado, este estudio adopta un enfoque de validación cruzada k-fold y entrena numerosas configuraciones de RNA para optimizar la precisión y prevenir el sobreajuste. Se encuentra que la porosidad y el tipo de agregado grueso tienen un efecto significativo en el rendimiento del pavimento, lo que guía a los ingenieros a optimizar las formulaciones de concreto de acuerdo con los requisitos del proyecto. A pesar de enfrentarse a limitaciones del conjunto de datos y la "caja negra" interna de las redes neuronales profundas, los modelos de RNA obtenidos muestran una alta precisión predictiva, con efectos potenciales en el diseño de infraestructuras urbanas y la adecuación climática. Reflexionando sobre las limitaciones de este estudio y la posibilidad de integrar datos más diversos y algoritmos avanzados en el futuro, este estudio destaca el potencial del aprendizaje automático para jugar un papel clave en la mejora de la sostenibilidad y eficiencia de las soluciones de ingeniería civil, así como su contribución al cambio climático global y el desarrollo urbano sostenible., This study makes an experimental exploration in combining civil engineering and machine learning techniques with the aim of developing sustainable pervious concrete pavement designs for mitigating the effects of climate change. The study utilizes artificial neural networks (ANN) for predictive modeling to evaluate the effect of different input characteristics on the compressive strength and water permeability of pervious concrete, which are both key parameters for the durability and environmental performance of porous concrete. By using a limited dataset, this study adopts a k-fold cross-validation approach and trains numerous ANN configurations to optimize accuracy and prevent overfitting. It is found that porosity and coarse aggregate type have a significant effect on pavement performance, which guides engineers to optimize concrete formulations according to project requirements. Although faced with dataset limitations and the internal "black box" of deep neural networks, the obtained ANN models show high predictive accuracy, with potential effects on urban infrastructure design and climate suitability. By reflecting on the limitations of this study and the possibility of integrating more diverse data and advanced algorithms in the future, this study highlights the potential of machine learning to play a key role in improving the sustainability and efficiency of civil engineering solutions, as well as contributing to global climate change and sustainable urban development.
- Published
- 2024