Abstract:In this study, compressive strength (CS) values of ferrochrome slag (FS) based geopolymerconcretes in different curing conditions were investigated. Ground FS was activated with themixture of sodium hydroxide and sodium silicate. The silica modulus (Ms) of the geopolymerconcrete samples were selected as 1.25, 1.50 and 1.75. Also, samples were prepared by substituting0%, 10% and 20% silica fume (SF) replacement the FS. Thus, 9 groups geopolymer concretesamples were produced. The CS values of the samples were determined on different curing times(24, 48, 72 and 96 hours) and curing temperatures (23, 40, 60, 80 and 100 °C). At the same time,multilayer perceptron neural network (MLPNN), extreme learning machine neural network(ELMNN) and M5 model tree were modeled for the CS prediction of the samples, the predict andexperimental results were compared. According to the experiment results, it was determined thatthe CS values generally increased as the curing time increased, but with the addition of SF, the CSvalues generally decreased. The highest CS was obtained in the sample containing 100% FS that hadsilica modulus of 1.25 and cured at 100 °C for 24-48-72 or 96 hours. The R2 values of MLPNN,ELMNN and M5 model tree in testing phase were 0.956, 0.935 and 0.922, respectively. MLPNN, themodel that gave the best predict result, had root mean square error (RMSE) of 0.723 and normalizedroot mean square error (NMRSE) of 26.485 in testing.
Öz:Bu çalışmada farklı kür koşullarındaki ferrokrom cürufu (FS) esaslı geopolimer betonların basınç dayanımı (CS) değerleri incelenmiştir. Öğütülmüş FS sodyum hidroksit ve sodyum silikat karışımı ile aktive edilmiştir. Geopolimer beton numunelerinin silis modülü (Ms) 1.25, 1.50 ve 1.75 olarak seçilmiştir. Aynı zamanda FS yerine %0, %10 ve %20 oranlarında silis dumanı (SF) ikame edilerek numuneler hazırlanmıştır. Böylece 9 grup geopolimer beton numunesi üretilmiştir. Farklı kürsürelerinde (24, 48, 72 ve 96 saat) ve kür sıcaklıklarında (23, 40, 60, 80 ve 100 °C), numunelerin CS değerleri belirlenmiştir. Aynı zamanda, numunelerin CS tahmini için çok katmanlı algılayıcı sinir ağı (MLPNN), aşırı öğrenme makinesi sinir ağı (ELMNN) ve M5 model ağacı modellenmiştir, tahmin ve deney sonuçları karşılaştırılmıştır. Deney sonuçlarına göre, kür süresi arttıkça genellikle CS değerleri artmıştır, fakat SF ilavesi arttıkça, CS değerleri genellikle azalmıştır. %100 FS içeren, silis modülü 1.25 olan ve 24-48-72 veya 96 saat 100°C’de kür edilen numunede en büyük CS elde edişmiştir. Test aşamasındaki MLPNN, ELMNN ve M5 model ağacının R2 değerleri sırasıyla 0.956, 0.935 ve 0.922’dir. En iyi tahmin sonucunu veren MLPNN’nin test aşamasındaki ortalama karakök hatası (RMSE) 0.723 ve normalleştirilmiş kök ortalama kare hatası (NMRSE) 26.485’tir.
