TY  - BOOK
AU  - Ahmed Tamer Abd El-Rahman El-Nasser,
AU  - Mohamed I. Serag
TI  - Predicting the compressive strength of ultra-high-performance concrete using machine learning and deep learning techniques
U1  - 624.1834 
PY  - 2025///
KW  - High strength concrete
KW  - الخرسانة عالية القوة
KW  - Ultra-High-Performance Concrete
KW  - Machine Learning
KW  - Deep Learning
KW  - Compressive Strength
KW  - Prediction
N1  - Thesis (M.Sc)-Cairo University, 2025; Bibliography: pages 157-162; Issues also as CD
N2  - This study highlights Ultra-High-Performance Concrete (UHPC) as a distinguished engineering innovation, leveraging machine learning (ML) and deep learning (DL) techniques to accurately predict compressive strength. Using a filtered dataset of 810 samples, the CatBoost algorithm demonstrated superior performance with an R² of 96.57%, while the Artificial Neural Network (ANN) model achieved an R² of 92.87%. The study revealed that ML models outperformed in efficiency and error metrics, whereas ANN showed sensitivity to minor changes. The findings included sensitivity analysis to identify influential factors and optimized mix designs using predictive models, offering an innovative and sustainable approach to enhancing UHPC; تسلط هذه الدراسة الضوء على الخرسانة فائقة الأداء (UHPC) كابتكار هندسي متميز، مستفيدة من تقنيات التعلم الآلي (ML) والتعلم العميق (DL) للتنبؤ بمقاومة الضغط بدقة. باستخدام بيانات مفلترة لـ 810 عينات، أظهرت خوارزمية CatBoost أداءً متفوقًا بنسبة R² بلغت96.57 %، بينما حقق نموذج الشبكة العصبية الاصطناعية (ANN) R² بنسبة92.87 %. كشفت الدراسة أن نماذج ML تفوقت في الكفاءة ومقاييس الخطأ، بينما أظهر ANN حساسية للتغيرات الطفيفة. تضمنت النتائج تحليل الحساسية لتحديد العوامل المؤثرة وتصميم خلطات محسنة باستخدام النماذج التنبؤية، مما يوفر نهجًا مبتكرًا ومستدامًا لتحسين UHPC.وتحسينًا
ER  -