Bileşenlerin Özel Uyumluluğuna Sahip Düşük Karbonlu Yüksek Performanslı Katkılı Portland Çimentoları

Abstract

Bu tez çalışması, PÇ–ilave bağlayıcı malzemeler–SP bileşenlerinin çok boyutlu etkileşimlerini bütüncül biçimde inceleyerek düşük karbon salınımlı ve yüksek performanslı katkılı çimentoların geliştirilmesini amaçlamaktadır. İzotermal kalorimetri, termal analiz ve basınç dayanımı verilerinden oluşan kapsamlı bir veri seti oluşturulmuş; farklı PÇ türleri, ikame oranları, ilave bağlayıcı malzeme inceliği, su/bağlayıcı oranı, SP tipi ve dozajı sistematik olarak değiştirilmiştir. Bu veriler regresyon tabanlı makine öğrenmesi modelleriyle analiz edilerek yüksek doğrulukta tahminler elde edilmiştir. Erken yaş basınç dayanımı gibi fiziksel parametre ağırlıklı çıktılarda doğrusal modeller başarılı olurken, hidratasyon kinetiği, CH içeriği ve geç yaş basınç dayanımı gibi karmaşık ve yüksek varyanslı çıktılarda doğrusal olmayan modellerin (özellikle Gauss süreç regresyonu ve yapay sinir ağları) çok daha yüksek doğruluk (R2 ≈ 0.90–0.97) ve düşük hata ile çalıştığı görülmüştür. Farklı kriterlerin normalize edilip ağırlıklandırılmasıyla geliştirilen Çok Kriterli Uyumluluk İndeksi, 1602 karışımdan oluşan sentetik veri setine uygulanmıştır. Sonuçlar, yüksek uyumluluk gösteren sistemlerin düşük PÇ–yüksek ilave bağlayıcı oranına, düşük w/b oranına ve yüksek SP dozajına sahip olduğunu; ayrıca düşük–orta CaO ve yüksek SiO2+Al2O3 içeren ilave bağlayıcı malzemelerin uyumluluğu artırdığını göstermiştir. Sonuç olarak, makine öğrenmesi yöntemleri süperakışkanlaştırılmış katkılı çimentolardaki çok değişkenli etkileşimleri yüksek doğrulukla modellemiş; geliştirilen uyumluluk indeksi ise düşük karbonlu, yüksek performansa sahip karışımların ön tasarımında kullanılabilecek yenilikçi ve esnek bir araç olarak öne çıkmıştır. Bu yaklaşım, çevresel, ekonomik ve toplumsal açıdan sürdürülebilir bir çimento endüstrisine katkı sağlamaktadır.

This thesis aims to develop low-carbon, high-performance blended cements by holistically investigating the multidimensional interactions of Portland cement (PC), supplementary cementitious materials (SCMs), and superplasticizers (SP). A comprehensive dataset consisting of isothermal calorimetry, thermal analysis, and compressive strength data was generated, and different PC types, replacement rates, SCM fineness, water/binder (w/b) ratio, SP type, and dosage were systematically varied. These data were analyzed with regression-based machine learning models to obtain high-accuracy predictions. While linear models performed well for outputs focused on physical parameters such as early-age compressive strength, nonlinear models (especially Gaussian process regression and artificial neural networks) were found to perform significantly better (R2 ≈ 0.90–0.97) and with lower error for complex and high-variance outputs such as hydration kinetics, CH content, and late-age compressive strength. The Multi-Criteria Compatibility Index, developed by normalizing and weighting different criteria, was applied to a synthetic dataset consisting of 1602 mixtures. The results showed that highly compatible systems had low PC-high SCM content, low w/b ratios, and high SP dosages. Furthermore, SCM with low to medium CaO and high SiO2+Al2O3 content increased compatibility. In conclusion, machine learning methods modeled the multivariable interactions in superplasticized blended cements with high accuracy, and the developed compatibility index emerged as an innovative and flexible tool for the preliminary design of low-carbon, high-performance mixtures. This approach contributes to an environmentally, economically, and socially sustainable cement industry.