Prediction of the mechanical behavior of mortars incorporating phase change materials using data mining techniques

• Cunha, S. ^[1] ; Aguiar, J. ^[1] ; Martins, F. ^[1]
  1. [1] Universidade do Minho

     Universidade do Minho

     Braga (São José de São Lázaro), Portugal

     
• Localización: Materiales de construcción, ISSN 0465-2746, Vol. 73, Nº. 350, 2023
• Idioma: inglés
• Títulos paralelos:
  • Predicción del comportamiento mecánico de morteros que incorporan materiales de cambio de fase mediante técnicas de minería de datos
• Enlaces
  • Texto completo
• Resumen
  • español

    Hoy en día es imperativo reducir la factura energética para contribuir a un planeta más sostenible. El uso de materiales que contribuyan a la eficiencia energética de los edificios es muy importante para conseguir este objetivo. Los morteros con materiales de cambio de fase (PCM), por su capacidad de almacenamiento térmico, pueden contribuir de forma importante a este fin aumentando la eficiencia energética de los edificios. En este trabajo se desarrollaron morteros con diferentes contenidos de PCM, utilizando diferentes conglomerantes (cemento, cal aérea, cal hidráulica y yeso). El objetivo de este estudio es aplicar técnicas de minería de datos como redes neuronales artificiales (ANN), máquinas de vectores de soporte (SVM) y regresiones lineales múltiples (MLR) para pronosticar las resistencias a la compresión y flexión de morteros a diferentes temperaturas de exposición. Se concluyó que los modelos ANN tienen la mejor capacidad predictiva para la resistencia a la compresión y flexión. Los modelos SVM tienen una capacidad de predicción de la resistencia a flexión semejante a los modelos ANN.

  • English

    Nowadays, it is imperative to reduce the energy bill in order to contribute to a more sustainable planet. In this sense, the use of materials that contribute to the energy efficiency of buildings is a very important contribution to achieve this goal. Mortars incorporating phase change materials (PCM) can make an important contribution to this end, due to its thermal storage capacity, increasing the energy efficiency of buildings. In this work several mortars with different PCM contents were developed, using different binders (cement, aerial lime, hydraulic lime and gypsum). The aim of this study was to apply data mining techniques such as artificial neural networks (ANN), support vector machines (SVM) and multiple linear regressions (MLR) to forecast the compressive and flexural strengths of these mortars at different exposure temperatures. It was concluded that ANN models have the best predictive capacity both for compressive strength and flexural strength. However, the SVM models have a flexural strength forecasting capacity very close to ANN models.