Conducting comprehensive analyses to predict concrete compressive strength is crucial for enhancing safety in field applications and optimizing work processes. There is an extensive body of research in the literature focusing on predicting the mechanical properties of concrete, such as compressive strength. Summarizing the key contributions of these studies will serve as a guide for future research. To this end, this study aims to conduct a scientometric analysis of contributions that utilize machine learning (ML) models for predicting concrete compressive strength, assess these models, and provide insights for developing optimal solutions. Additionally, it seeks to offer researchers comprehensive information on prominent research themes, trends, and gaps in the literature regarding concrete compressive strength prediction. For this purpose, 2319 articles addressing the prediction of concrete compressive strength, published between 2000 and 19 August 2024, were identified through the Scopus Database. Scientometric analyses were conducted using VOSviewer software. The evaluation of relevant studies demonstrates that ML models are frequently used to predict concrete compressive strength. The advantages and limitations of these models are examined, with a particular emphasis on key considerations when working with complex datasets. A comprehensive analysis of ML models and their practical contributions to field applications distinguishes this study from existing research. This study contributes significantly to the literature by examining leading institutions, countries, authors, and sources in the field, synthesizing data, and identifying research areas, gaps, and trends in concrete compressive strength prediction. It establishes a strong foundation for the design of ML-supported, reliable, sustainable, and optimized structural systems in civil engineering, building materials, and the concrete industry.

Betondan kaynaklı sabit yükleri azaltmak için en etkili yöntem hafif agrega kullanmaktır. Bu çalışmada; şap betonu üretiminde CEN standart kumu yerine %0, %5, %10, %15, %20, %25 ve %30 oranlarında genleştirilmiş cam agregası (0.25mm - 0.50 mm) ve genleştirilmiş perlit agregası (0.25mm - 0.50 mm) ikame edilerek ve CEM I 42.5 R, CEM I 52.5 N, CEM II 42.5 R ve CEM IV 32.5 N tipi çimentolar kullanarak şap betonları üretilmiştir. Üretilen şap betonlarının bazı fiziksel özelliklerini belirlemek için; sertleşmiş yoğunluk, ağırlıkça su emme ve kılcal su emme deneyleri yapılmıştır. Çalışmanın sonucunda, hafifliğin ön planda olduğu durumlarda genleştirilmiş perlit agregası ikameli CEM IV 32.5 N tipi çimento ile üretilen şap betonlarının, su emme özelliği açısından CEM I 52.5 N tipi çimento ile üretilen şap betonlarının ve kılcal su emme özelliği açısından ise %30 genleştirilmiş perlit agregası ikameli CEM IV 32.5 N tipi çimento ile üretilen şap betonlarıının tercih edilmesinin uygun olacağı sonucuna varılmıştır.

EN 197-1 standardına göre üretilen çimentoların dayanım sınıfları EN 196-1 standardına göre belirlenmektedir. EN 196-1 standardına göre yapılan çimento harcı üretimlerinde üretim tekniği olarak kaba önce su konulur, daha sonra çimento eklenerek 30 s düşük hızda çalıştırılır, sonraki 30 s sürede kum ilavesi yapılır, karıştırıcı 30 s yüksek hızda çalıştırılır, 90 s sonra cihaz durdurularak kabın içerisine yapışan harç temizlenerek karışıma ilave edilir ve üretime 60 s yüksek hızda devam edilerek üretim süreci tamamlanır. Üretim standardı belirlenmeyen harçların üretimlerinde ise homojenliği sağlamak üzere çoğunlukla önce kuru karışım (çimento-kum veya çimento-agrega), daha sora ise kuru karışıma gerekli su ilavesi yapılarak karışımın mümkün olduğunca homojenleştirilmesi sağlanmaktadır. EN 196-1 de belirtilen üretim tekniği ile diğer alternatif üretim tekniklerinin karşılaştırılması amacıyla yapılan bu çalışmada; 3 farklı firmadan temin edilen CEM I 42.5 R tipi çimento, kum ve suyun karışıma girme sıraları değiştirilerek ve EN 196-1 standardında belirtilen süreçler baz alınarak 6 farklı üretim tekniğine göre üretimler yapılmıştır. Üretilen örneklerin EN 1015-3 standardına göre yayılma değerleri, EN 12350-6 standardına göre taze yoğunluğu, EN 196-1 standardına göre 2, 7 ve 28 günlük dayanım özellikleri, EN 12390-7 standardına göre sertleşmiş yoğunluğu, Arşimet prensibine göre su emme yüzdeleri ve porozite değerleri ile EN 1015-18 standardına göre kılcal su emme katsayısı değerleri belirlenmiştir. Çalışmanın sonucunda işlenebilirlik açısından en uygun üretim tekniğinin kum-su-çimento sıralaması ile üretilen örneklerde olduğu, mekanik özellikler açısından ise en uygun üretim tekniğinin ise EN 196-1 standardında belirtilen üretim tekniği olduğu sonucuna varılmıştır.

This study aimed to identify the most reliable prediction model for estimating the compressive strength of concrete by conducting a comparative analysis of Particle Swarm Optimization (PSO) and Artificial Neural Network (ANN) methodologies. The modeling process utilized 92 experimental data points for training purposes and allocated 28 data points for testing validation. PSO was employed to optimize coefficients within mathematical equations used for concrete compressive strength prediction, facilitating the development of appropriate models based on various error metrics. Specifically, PSO models optimized to minimize Weighted Root Mean Square Error (WRMSE), Root Mean Square Error (RMSE), and Mean Absolute Error (MAE) criteria were evaluated against the highest-performing model developed using ANN. Model A, optimized using a constant term and the WRMSE loss function within a PSO-ANN framework, achieved the highest performance, with a correlation coefficient exceeding 0.99 and low error values on the training dataset. The same model also demonstrated strong predictive accuracy and low error on the test dataset, indicating excellent generalization capability. In contrast, the standalone ANN model exhibited near-perfect accuracy on the training data (R² = 0.9994) but suffered a significant drop in performance on the test data (correlation ≈ 0.60). This highlights the impact of overfitting and underscores the importance of regularization techniques for improving generalizability. Through comprehensive statistical and visual assessments using Taylor diagram analysis, PSO-based models demonstrated significantly superior accuracy compared to the ANN model. Furthermore, the constant-term WRMSE model exhibited optimal generalization performance and provided the most reliable predictions among all tested models. It has been observed that highly accurate predictions can be made even for values outside the range of the data used. The results obtained in this study indicate that reliable predictive models for concrete production can be developed using both the available data and information from the literature. In cases where data are lacking, it is also possible to establish these models by conducting a sufficient number of experiments.

In this study, the effects of bentonite-blended cement mortar, cement strength, cement amount, slump values, water absorption percentages by weight, and porosity values on the 28-day compressive strength were investigated using MR (Multiple Regression), ANFIS (Adaptive Neuro-Fuzzy Inference System), and the intuitive optimization method known as PSO (Particle Swarm Optimization). Based on the results obtained from 18 data points, with 4 of them used for testing and 14 for training, effective and ineffective input parameters were identified in comparison to MR. Subsequently, PSO and ANFIS main models were designed according to the obtained results. As a result of the study, it was determined that cement strength, cement amount, and water absorption parameters have a higher impact on compressive strength compared to other parameters. It was found that the best accuracy model was achieved with the PSO model, and the results of the MR model can also be used in predicting outcomes.

Günümüzde giderek hızlanmakta olan nüfus artışı ve hızlı kentleşme gibi etmenler arazi ve yeşil alan stoklarının azalması sorununu ortaya çıkarmaktadır. Nüfus artışı ile birlikte gereken çalışma ve barınma ihtiyaçlarının, mevcut arazi stokunu en etkin kullanacak şekilde karşılanabilmesi için yüksek yapıların inşa edilmesi gerekli hale gelmektedir. Birçok teknik kullanılarak inşa edilebilen yüksek yapılarda, malzeme ve yapı bilgisi alanlarındaki gelişmeler ile birlikte yeni yapım teknikleri arayışına girilmiştir. Yüksek yapıların yapımında kullanılan yapım tekniklerinin incelenmesi amacıyla yapılan bu çalışmada; yüksek yapıların yapım teknikleri uygulama örnekleri üzerinden detaylı olarak incelenmiştir. Yapılan inceleme sonucunda; yüksek yapıların inşa edilmesi ile birlikte karma fonksiyona sahip yapı kullanımının yaygınlaştığı, yapı teknolojilerindeki ilerlemelere bağlı olarak yüksek yapı tasarımlarında farklı formlardaki yapıların planlanabilmesinin mümkün hale geldiği, yüksek yapıların tasarım ve uygulama aşamalarında mimar ve mühendislerin disiplinler arası çalışma yürütmesinin yapının estetik ve fonksiyonel olmasının yanı sıra dayanımlı ve dayanıklı olmasını sağlamada da önemli olduğu sonucuna varılmıştır.