Skip navigation
Please use this identifier to cite or link to this item: https://repository.esi-sba.dz/jspui/handle/123456789/645
Full metadata record
DC FieldValueLanguage
dc.contributor.authorKAOUANE, AMeur-
dc.date.accessioned2024-09-23T13:50:56Z-
dc.date.available2024-09-23T13:50:56Z-
dc.date.issued2024-
dc.identifier.urihttps://repository.esi-sba.dz/jspui/handle/123456789/645-
dc.descriptionSupervisor : Mr. TEDJDITI Ahmed Kamel Co-Supervisor : Mr. KHALDI Belkacem / Mr. Sergio PONS RIBERAen_US
dc.description.abstractThe burgeoning interest in sustainable construction has fostered the development of Bio-based Concrete and Fiber-reinforced Mortar (FRM), both aimed at reducing environmental impact while enhancing structural performance. Bio-based concrete utilizes renewable resources like plant fibers and agricultural by-products, while FRM incorporates discrete fibers to improve mechanical properties such as compressive and flexural strengths. This thesis employs a deep learning approach to predict the mechanical properties of bio-based concrete and FRM, critical for assessing their suitability in structural applications. Accurate prediction of these properties enhances design efficiency and ensures reliability in construction projects. The study begins with a comprehensive review of bio-based concrete and FRM, focusing on their compositions, benefits, and current methods for predicting mechanical properties. Traditional methods often lack precision and are resource-intensive due to the variety of materials and fibers used. To address these challenges, a deep learning model is developed using neural networks to capture the complex relationships between material components and mechanical strengths. Inputs such as bio-based material type, fiber content, curing conditions, and mixture properties are integrated to predict Compressive Strength (CS) for bio-based concrete and both CS and Flexural Strength (FS) for FRM. Data from experiments and literature are collected, preprocessed, and used to train and validate the model using TensorFlow and Keras. Performance metrics such as Mean Absolute Error (MAE), Mean Squared Error (MSE), and Coefficient of Determination (R2) are optimized to ensure robust predictions. In summary, this thesis contributes to sustainable construction by offering an innovative method to predict the mechanical properties of bio-based concrete and FRM. By improving the accuracy and efficiency of these predictions, this research supports the adoption of environmentally friendly building materials in construction practices. *** L’intérêt croissant pour la construction durable a favorisé le développement du béton biosourcé et du béton fibré (FRC), tous deux visant à réduire l’impact environnemental tout en améliorant les performances structurelles. Le béton d’origine biologique utilise des ressources renouvelables telles que des fibres végétales et des sous-produits agricoles, tandis que le FRC incorpore des fibres discrètes pour améliorer les propriétés mécaniques telles que la résistance à la compression et à la flexion. Cette thèse utilise une approche d’apprentissage profond pour prédire les propriétés mécaniques du béton biosourcé et des FRC, essentielles pour évaluer leur adéquation aux applications structurelles. Une prévision précise de ces propriétés améliore l’efficacité de la conception et garantit la fiabilité des projets de construction. L’étude commence par un examen complet du béton biosourcé et du FRC, en se concentrant sur leurs compositions, leurs avantages et les méthodes actuelles de prévision des propriétés mécaniques. Les méthodes traditionnelles manquent souvent de précision et nécessitent beaucoup de ressources en raison de la variété des matériaux et des fibres utilisés. Pour relever ces défis, un modèle d’apprentissage profond est développé à l’aide de réseaux de neurones pour capturer les relations complexes entre les composants matériels et les résistances mécaniques. Des informations telles que le type de matériau biosourcé, la teneur en fibres, les conditions de durcissement et les propriétés du mélange sont intégrées pour prédire la résistance à la compression du béton biosourcé et les résistances à la compression et à la flexion pour le FRC. Les données issues d’expériences et de la littérature sont collectées, prétraitées et utilisées pour entraîner et valider le modèle à l’aide de TensorFlow et Keras. Les mesures de performance telles que l’erreur absolue moyenne (MAE), l’erreur quadratique moyenne (MSE) et le coefficient de détermination (R2) sont optimisées pour garantir des prédictions robustes. En résumé, cette thèse contribue à la construction durable en proposant une méthode innovante pour prédire les propriétés mécaniques du béton biosourcé et du FRC. En améliorant l’exactitude et l’efficacité de ces prévisions, cette recherche soutient l’adoption de matériaux de construction respectueux de l’environnement dans les pratiques de construction.en_US
dc.language.isoenen_US
dc.subjectBio-Based Concreteen_US
dc.subjectFiber-Reinforced Mortaren_US
dc.subjectConcretes Mechanical Propertiesen_US
dc.subjectCompressive Strengthen_US
dc.subjectFlexural Strengthen_US
dc.subjectDeep Learningen_US
dc.subjectArtificial Neural Networksen_US
dc.titleFirst Steps Towards a Better Prediction of the Mechanical Properties of Biobased Concrete and Fiber-Reinforced Mortar via Artificial Intelligence Modelsen_US
dc.typeThesisen_US
Appears in Collections:Ingenieur

Files in This Item:
File Description SizeFormat 
Engineer_thesis (1)-1-1.pdf76 kBAdobe PDFView/Open
Show simple item record


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.