ABSTRACT Ultra-high-performance concrete (UHPC) is a high-tech kind of concrete which exhibits superb mechanical properties and improved durability. Over the last years the use of supplementary cementitious materials (SCM) as partial substitution of cement and silica fume has been the object of great interest by the scientific community in order to reduce the high costs and carbon footprint of UHPC. Some of the more promising applications of this type of special concrete, such as the seismic retrofitting of non-ductile existing structures, require the development of high or ultra-high early strength. However, the replacement of cement and silica fume can result in the modification of some properties such as the early strength of UHPC, which usually needs great amounts of cement and silica fume. On the other hand, the use of several SCM has as outcome a highly complex material, which makes it more difficult to understand the effect of each component and their interactions on early strength. This study is aimed to develop an artificial neural networks (ANN) approach to predict the seven-day compressive strength of UHPC, being able to incorporate several SCM such as silica fume, fly ash, ground granulated blast furnace slag, recycled glass powder, rice husk ash, fluid catalytic cracking catalyst residue, metakaolin, limestone powder, in addition to mineral filler such as quartz powder. A total of 523 data from previous published works was used to train the one-hidden-layer ANN model. The model was also validated by performing experimental works. Besides, Connection-Weight-Approach algorithm (CWA) was used to analyse the relationships between the UHPC’s components and the seven-day compressive strength. The results pointed out that the ANN is an efficient model for predicting the early strength (7-day compressive strength) of UHPC even when SCM are incorporated.
RESUMEN El hormigón de ultra alto rendimiento (UHPC) es un tipo de hormigón de alta tecnología que exhibe excelentes propiedades mecánicas y de durabilidad. En los últimos años, el uso de materiales cementantes suplementarios (SCM) como sustitución parcial del humo de cemento y sílice ha sido objeto de gran interés por parte de la comunidad científica para reducir los altos costos y la huella de carbono del UHPC. Algunas sus aplicaciones, como el refuerzo sísmico de estructuras existentes no dúctiles, requieren del desarrollo de resistencias tempranas. Sin embargo, la sustitución del cemento y humo de sílice puede modificar de algunas propiedades, como las resistencias iniciales de UHPC. Por otro lado, el uso de SCM produce un material altamente complejo, siendo más difícil comprender el efecto de cada componente y sus interacciones en el desarrollo de resistencias tempranas en el hormigón. Este estudio tiene como objetivo desarrollar un modelo de redes neuronales artificiales (ANN) para predecir la resistencia a la compresión a los siete días del UHPC, pudiendo incorporar varios SCM como el humo de sílice, ceniza volante, escoria granulada de alto horno, polvo de vidrio reciclado, ceniza de cascarilla de arroz, residuo de catalizador de craqueo catalítico fluido, metacaolín, carbonato cálcico pulverizado, además de filler mineral como el polvo de cuarzo. Para el desarrollo del modelo de una sola capa oculta se usaron 523 datos de investigaciones publicadas. Además, el modelo también fue validado mediante el uso de trabajos experimentales. Finalmente, el algoritmo Connection-Weight-Approach (CWA) se utilizó para analizar las relaciones entre los componentes del UHPC y la resistencia a la compresión a los siete días. Los resultados señalaron que el modelo ANN es un modelo eficiente para predecir la resistencia a la compresión a los 7 días del UHPC incluso cuando se incorporan SCM.