000			03545namaa22004211i 4500
003			EG-GICUC
005			20251103145629.0
008			251103s2025 ua a|||frm||| 000 0 eng d
040			_aEG-GICUC _beng _cEG-GICUC _dEG-GICUC _erda
041	0		_aeng _beng _bara
049			_aDeposit
082	0	4	_a624.1834
092			_a624.1834 _221
097			_aM.Sc
099			_aCai01.13.05.M.Sc.2025.Ah.P
100	0		_aAhmed Tamer Abd El-Rahman El-Nasser, _epreparation.
245	1	0	_aPredicting the compressive strength of ultra-high-performance concrete using machine learning and deep learning techniques / _cby Ahmed Tamer Abd El-Rahman El-Nasser ; Supervisors Prof. Dr. Mohamed I. Serag.
246	1	5	_aالتنبؤ بمقاومة الضغط للخرسانة فائقة الاجهاد باستخدام تقنيات التعلم الآلي والتعلم العميق
264		0	_c2025.
300			_a162 pages : _billustrations ; _c30 cm. + _eCD.
336			_atext _2rda content
337			_aUnmediated _2rdamedia
338			_avolume _2rdacarrier
502			_aThesis (M.Sc)-Cairo University, 2025.
504			_aBibliography: pages 157-162.
520		3	_aThis 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.
520		3	_aتسلط 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.
530			_aIssues also as CD.
546			_aText in English and abstract in Arabic & English.
650		0	_aHigh strength concrete
650		0	_aالخرسانة عالية القوة
653		1	_aUltra-High-Performance Concrete _aMachine Learning _aDeep Learning _aCompressive Strength _aPrediction
700	0		_aMohamed I. Serag _ethesis advisor.
900			_b01-01-2025 _cMohamed I. Serag _dOsama A. Hodhod _dSayed M. Ahmed _UCairo University _FFaculty of Engineering _DDepartment of Structural Engineering
905			_aShimaa
942			_2ddc _cTH _e21 _n0
999			_c175471