Get 20M+ Full-Text Papers For Less Than $1.50/day. Start a 14-Day Trial for You or Your Team.

Learn More →

Compressive Strength Prediction via Gene Expression Programming (GEP) and Artificial Neural Network (ANN) for Concrete Containing RCA

Compressive Strength Prediction via Gene Expression Programming (GEP) and Artificial Neural... Article  Compressive Strength Prediction via Gene Expression   Programming (GEP) and Artificial Neural Network (ANN) for  Concrete Containing RCA  1,2 3, 1 1 4 5 Ayaz Ahmad  , Krisada Chaiyasarn  *, Furqan Farooq  , Waqas Ahmad  , Suniti Suparp   and Fahid Aslam      Department of Civil Engineering, Abbottabad Campus, COMSATS University Islamabad, Islamabad 22060,  Pakistan; ayazahmad@cuiatd.edu.pk (A.A.); furqan@cuiatd.edu.pk (F.F.);   waqasahmad@cuiatd.edu.pk (W.A.)    Faculty of Civil Engineering, Cracow University of Technology, 24 Warszawska Str., 31‐155 Cracow, Poland    Faculty of Civil Engineering, Thammasat University Rangsit, Klong Luang Pathumthani, Pathum Thani  12121, Thailand    Department of Civil and Environmental Engineering, Faculty of Engineering, Srinakharinwirot University,  Bangkok 10110, Thailand; suniti@g.swu.ac.th    Department of Civil Engineering, College of Engineering, Al‐Kharj 11942, Saudi Arabia;  f.aslam@psau.edu.sa  *  Correspondence: ckrisada@engr.tu.ac.th  Abstract: To minimize the environmental risks and for sustainable development, the utilization of  recycled aggregate (RA) is gaining popularity all over the world. The use of recycled coarse aggre‐ gate (RCA) in concrete is an effective way to minimize environmental pollution. RCA does not gain  more attraction because of the availability of adhered mortar on its surface, which poses a harmful  effect on the properties of concrete. However, a suitable mix design for RCA enables it to reach the  Citation: Ahmad, A.; Chaiyasarn, K.;  targeted strength and be applicable for a wide range of construction projects. The targeted strength  Farooq, F.; Ahmad, W.; Suparp, S.;  achievement from the proposed mix design at a laboratory is also a time‐consuming task, which  Aslam, F. Compressive Strength   Prediction via Gene Expression   may cause a delay in the construction work. To overcome this flaw, the application of supervised  Programming (GEP) and Artificial  machine learning (ML) algorithms, gene expression programming (GEP), and artificial neural net‐ Neural Network (ANN) for   work (ANN) was employed in this study to predict the compressive strength of RCA‐based con‐ Concrete Containing RCA. Buildings  crete. The linear coefficient correlation (R ), mean absolute error (MAE), mean square error (MSE),  2021, 11, 324. https://doi.org/  and root mean square error (RMSE) were evaluated to investigate the performance of the models.  10.3390/buildings11080324  The k‐fold cross‐validation method was also adopted for the confirmation of the model’s perfor‐ mance. In comparison, the GEP model was more effective in terms of prediction by giving a higher  Academic Editor: Emanuele Brunesi  2 2 correlation (R ) value of 0.95 as compared to ANN, which gave a value of R  equal to 0.92. In addi‐ tion, a sensitivity analysis was conducted to know about the contribution level of each parameter  Received: 27 June 2021  used to run the models. Moreover, the increment in data points and the use of other supervised ML  Accepted: 24 July 2021  approaches  like  boosting,  gradient  boosting,  and  bagging  to  forecast  the  compressive  strength,  Published: 27 July 2021  would give a better response.  Publisher’s  Note:  MDPI  stays  neu‐ tral  with  regard  to  jurisdictional  Keywords: recycled coarse aggregate; cement; concrete; gene expression programming; artificial  claims in published maps and institu‐ neural network; machine learning  tional affiliations.  1. Introduction  Copyright: © 2021 by the authors. Li‐ The utilization trend of aggregate obtained from natural resources increases sharply  censee  MDPI,  Basel,  Switzerland.  from the increased manufacturing and usage of concrete in the construction sectors [1,2].  This article  is an open access article  The largest consumers of the natural aggregates are construction industries [3]. A total of  distributed under the terms and con‐ 15 billion tons of concrete material is produced worldwide, which equates to about two  ditions of the Creative Commons At‐ tons of concrete per resident per annum [4]. To reduce this flaw and manage this demand,  tribution (CC BY) license (http://crea‐ tivecommons.org/licenses/by/4.0/).  the origin of good quality natural aggregates is significantly reducing worldwide [5]. The  Buildings 2021, 11, 324. https://doi.org/10.3390/buildings11080324  www.mdpi.com/journal/buildings  Buildings 2021, 11, 324  2  of  18  approximate amount of aggregate used in the European Union countries has reached two  billion each year. The activities related to construction demand a high number of natural  materials  to  produce  cement  and  aggregate.  However,  the  construction  sectors  are  an  enormous consumer of natural resources, producing huge amounts of waste [6]. The ap‐ plication of raw materials in the construction industry is the key factor that causes envi‐ ronmental risks and pollution to earth [7]. The usage of raw materials has also led to the  depletion of minerals as well as natural resources [8]. Resources including cement, fine  aggregate, and coarse aggregate will be at a deprived status because these resources can‐ not manage the increasing demand in the construction industry [9]. Furthermore, sustain‐ able  waste  management  is  one  of  the  most  crucial  matters  experienced  by  the  world.  Therefore, to minimize the environmental impact and energy consistency of concrete ap‐ plied to construction work, the utilization of demolition and construction wastes can be  favorable for a sustainable engineering approach for the mixed design of concrete. The  use of recycled coarse aggregate (RCA) can also be a significant and positive aspect to  achieve sustainable construction and reduce environmental risks [10].  The main difference between the natural aggregate and recycled coarse aggregate  (RCA) is a certain amount of sticky mortar at the surface of RCA [11]. The properties of  RCA vary with certain percentages from the natural aggregate. RCA is generally a porous  material, having low saturated surface dry density and bulk density, 2310–2620 kg/m  and  1290–1470 kg/m , respectively [12]. The porosity of RCA is due to a high content of ad‐ hered mortar on its surface, which also reduces its resistance against the chemical and  mechanical effects. In comparison, RCA also shows a high value of water absorption (4%  to 9%) as opposed to natural aggregate (1% to 2%) [13]. The porosity and water absorption  are normally increased in RCA just because of the amount of adhered mortar [14,15]. The  effect on density and absorption capacity is also affected by the adhered mortar. These  parameters affect the fresh properties of concrete and reduce the strength properties of  concrete. The proper mix design for RCA has assured the acceptable properties of concrete  which can be used in several construction projects. The properties of concrete material can  also be improved by using other waste materials like silica fume, fly ash, and natural and  artificial fibers [16–19].  Several studies were presented regarding the application of recycled aggregate (RA)  in concrete at certain percentages [20,21]. Several properties of concrete were investigated  upon the inclusion of RA in concrete, including the fresh properties and mechanical prop‐ erties of RA‐based concrete [22–24]. The different qualities of RA were employed in con‐ crete for maintaining or increasing the strength properties of concrete [25–28]. They also  showed that the targeted strength was achieved even at an 80% replacement of coarse  aggregate with RCA. Khaldoun et al. [23] worked on the effect of mechanical properties  of concrete containing RCA. The compressive strength of the specimens at different ages  was calculated to analyze the behavior of concrete. Muzaffer et al. [29] described the me‐ chanical and physical properties of RCA concrete GGBFS, in which they concluded that  the split tensile strength was improved when tested at various ages of specimens. Etxe‐ berria et al. [30] showed the influence of RCA and the production process on the proper‐ ties of recycled aggregate‐based concrete. They prepared concrete with 0%, 25%, 50%, and  100% recycled aggregate to investigate the properties. Sumayia et al. reported the mechan‐ ical properties of three generations of 100% repetition of RCA. They reported the idea that  the repeated RA experienced marginally lower compressive strength than the normal con‐ crete.  Supervised machine learning (ML) techniques are extensively used in the fields of  artificial inelegance (AI) and computer science and have a positive reflection in engineer‐ ing. However, it has gained rapid promotion in the field of civil engineering, especially  when it comes to predicting the strength properties of concrete.   The supervised ML ap‐ proaches can be employed, which can predict the outcomes at high accuracy. Ayaz et al.  [31] predicted the compressive strength of fly ash‐based concrete with individual and en‐ semble ML approaches. Miao et al. [32] used MLR, SVM, and ANN to foretell the bond  Buildings 2021, 11, 324  3  of  18  strength between the FRPs and concrete, in which they compared the accuracy level of the  predictions from the employed techniques. Khoa et al. [33] used ML algorithms to forecast  the compressive strength of greenfly ash‐based geopolymer concrete. Marjana et al. used  different ML techniques for predicting the compressive strength of concrete. The predicted  accuracy and the error distribution were analyzed in the study. Ayaz et al. [34] used arti‐ ficial neural network (ANN), gene expression programming (GEP), and decision tree (DT)  techniques to forecast the surface chloride concentration in concrete containing waste ma‐ terial. They indicated that the GEP was a more effective technique for prediction than other  employed algorithms. This research also focuses on the application of supervised ML ap‐ proaches to forecast the compressive strength of recycled coarse aggregate‐based concrete.  The ANN and GEP algorithms have been investigated to predict the compressive strength  of concrete containing recycled aggregate. The various statistical checks, k‐fold cross‐vali‐ dation method, and error distribution are included to confirm the model performance. The  focus of this study is on the application of supervised machine learning algorithms (gene  expression  programming  and  artificial  neural  network)  to  predict  the  compressive  strength of concrete containing recycled coarse aggregate (RCA) of 344 data points. The  aim of this research also describes the performance of gene expression programming (GEP)  and an artificial neural network (ANN) in terms of the correlation coefficient (R ) value.  The statistical checks, evaluation of errors (MAE, MSE, and RMSR), k‐fold cross‐validation,  and sensitivity analysis were also involved to evaluate the performance of both GEP and  ANN models. This study can be useful for researchers in the field of civil engineering to  foretell the strength properties without consuming more time on practical work in the la‐ boratory.  2. Data Description  Supervised machine learning algorithms require various input variables to give the  output predicted variable. The data used in this study to forecast the compressive strength  of recycled coarse aggregate‐based concrete were taken from previously published litera‐ ture and can be seen in Appendix A. A total of nine parameters including water, cement,  sand, natural coarse aggregate, recycled coarse aggregate (RCA), superplasticizers, size of  RCA, the density of RCA, and water absorption of RCA were taken as input for running  the models, and one variable, compressive strength, was taken as an outcome for the mod‐ els. Several input parameters and the total number of data points greatly influence the  model’s outcome. A total of 344 data points (mixes) for the prediction of RCA‐based con‐ crete were used in the study. Anaconda software was introduced to run the model for  ANN using python coding, while the GEP model was run on the GEP software. The rela‐ tive frequency distribution of each parameter used for the mixes can be seen in Figure 1.  The descriptive statistical analysis for all the parameters is listed in Table 1. The flowchart  of the research approach can be seen in Figure 2.  Table 1. Descriptive analysis of the input parameters.  Parameter’s  Water  Cement  *FA  *NCA  *RCA  *SP  *SRCA  *DRCA  *WRCA  Descriptions  Mean  184.62  386.86  681.89  398.07  650.74  1.32  19.76  2231.06  4.80  Standard Error  1.39  4.43  11.07  19.99  20.37  0.11  0.22  31.32  0.12  Median  180.00  380.00  698.00  471.00  552.00  0.00  20.00  2362.50  4.90  Mode  220.00  380.00  693.00  0.00  138.00  0.00  20.00  2320.00  5.30  Standard  25.84  82.16  205.28  370.71  377.73  2.05  4.02  580.95  2.26  Deviation  Sample Variance  667.47  6750.28  42,141.11  137,424.94  142,682.56  4.21  16.16  337,504.80  5.12  Kurtosis −0.13 −0.19  4.17 −1.13 −0.32  0.61  2.23  10.55  1.07  Skewness −0.01  0.43 −1.82  0.30  0.51  1.36  0.08 −3.45  0.06  Range  153.40  442.00  1010.00  1448.25  1726.00  7.80  22.00  2661.00  10.90  Buildings 2021, 11, 324  4  of  18  Minimum  117.60  158.00  0.00  0.00  52.00  0.00  10.00  0.00  0.00  Maximum  271.00  600.00  1010.00  1448.25  1778.00  7.80  32.00  2661.00  10.90  Sum  63,510.69  133,081.00  234,568.66  136,937.02  223,853.20  455.50  6796.00  767,484.00  1652.80  Count  344.00  344.00  344.00  344.00  344.00  344.00  344.00  344.00  344.00  *FA = Fine aggregate, *NCA = Natural coarse aggregate, *SP = Superplasticizer, *SRCA = Maximum size of recycled coarse  aggregate, *DRCA = Density of recycled coarse aggregate, *WRCA = Water absorption of recycled‐coarse aggregate.               Figure 1. Histograms indicating the relative frequency distribution of the input parameters.  Buildings 2021, 11, 324  5  of  18  Figure 2. Flowchart of the research approach.  3. Methodology  Two algorithms (GEP and ANN) were introduced in the study to predict the com‐ pressive strength of RAC. Spyder 4.1.1 was selected in the Anaconda navigator to run the  model for the artificial neural network (ANN) using python coding. However, the GEP,  which is the computer‐based software, was adopted for modeling to give a predicted com‐ pressive result for the concrete containing recycled coarse aggregate. The GEP and ANN  used nine parameters as input and one parameter (compressive strength) as the output  during the modeling. The predicted outcome from both models presented the correlation  2 2 coefficient (R ) value, which is an indication of the accuracy level. The R  value normally  ranges from 0–10, and a higher R  value indicates a high accuracy between the actual and  predicted result. Gene expression programming is from the family of evolutionary algo‐ rithms and is generally associated with genetic programming. GEP being from the evolu‐ tionary algorithms, can design computer programs and models. Computer programming  is considered as a composite tree‐like structure that learns and alters by substituting their  shapes, compositions, and sizes similar to living organisms. The GEP computer program  is included in simple linear chromosomes of fixed length. GEP consists of five compo‐ nents: terminal set, function set, controlee variable, fitness function, and terminate condi‐ tion. Ferreira presents GEP in 2006, which is a modified form of genetic programming  (GP) and depends on the population evolutionary theorem. An exceptional tempering in  GEP was that the single gene must be transferred to another generation and has no need  to reproduce and mutate the complete structure since every alteration takes place in a  linear and simple structure. Each gene in GEP contains a fixed‐length variable having ter‐ minal sets and arithmetic operations as a set of functions. GEP makes it possible to learn  the complex data in the form of input and gives the resulting output in a simple and easy  manner. An artificial neural network (ANN) is generally a segment of a computing system  that is designed in such a way that it can simulate just like the human brain and inspect  and  execute a  set  of  information.  ANN is the  foundation  of artificial  intelligence  (AI),  which can resolve problems that would seem difficult or impossible for a human. It is also  comprised of self‐learning potential, which permits them to generate better results. ANN  is designed like a human brain having neuron nodes interrelated just like a web. The brain  consists of hundreds of billions of cells known as neurons. Every neuron is prepared with  Buildings 2021, 11, 324  6  of  18  a cell body that is accountable for executing the information by taking information to‐ wards and away from the brain. The application of ANN is reflected in every industry  and field to predict required outcomes.  4.. Results and Their Analyses  4.1. Statistical Analysis  The statistical analysis representation between the actual and predicted outcomes  (for compressive strength of RCA‐based concrete) from the GEP and ANN models along  their error distribution can be seen in Figure 3. The GEP gives high accuracy and less  variance between the actual and predicted output. The coefficient correlation (R ) value  equals 0.95 and is an indication of its high performance towards the prediction of the re‐ sult, as shown in Figure 3a. The scattering of errors for the GEP model is also illustrated  in Figure 3b. The error distribution in Figure 3b represents that the maximum, minimum,  and average values of the training set were 22.37 MPa, 0.00 MPa, and 1.84 MPa, respec‐ tively. However, 21.73% of the error data lies below 1 MPa, and 22.96% of the data repre‐ sented the errors between 2 MPa and 5 MPa. However, only 6.97% of the data lies above  the 5 MPa.  The result of the ANN model is also in the acceptable range with less variance as  opposed to the GEP model’s result. The relationship between the actual and predicted  result from the ANN model with the value of R  equal to 0.92 can be seen in Figure 3c.  The distribution of the errors for the ANN model can be seen in Figure 3d. Figure 3d gives  the information of the training set of the ANN model, indicating maximum and minimum  values of 21.44 MPa and 0.1 MPa, respectively, while giving an average value of 2.72 MPa.  In addition, 21.73% of error data lies below 1 MPa, and 36.23% of data lies between 2 MPa  and 5 MPa. However, only 7.24% of the error data indicated above the 5 MPa.  Targets Predictions Errors y = 0.9385x + 3.2378 (a) R² = 0.9544 (b) 80 80 -20 0 20406080 100 120 0 50 100 150 200 250 300 350 Targets (MPa) Data Set    Targets Predictions Errors y = 0.9437x + 3.4573 (c) R² = 0.925 100 100 (d) -20 0 20 40 60 80 100 120 0 10 20 3040506070 Data Set Targets (MPa)    Figure 3. Numerical analysis results illustrating the relationship among the actual and predicted outcomes and reflection  of errors distribution of the models. ANN (a,b); GEP (c,d).  Predictions (MPa) Predictions (MPa) Compressive strength (MPa) Compressive strength (MPa) Buildings 2021, 11, 324  7  of  18  4.2. K‐Fold Cross‐Validation  The authenticity of the model’s execution was analyzed through the k‐fold cross‐val‐ idation method. To examine the model’s validity, the k‐fold cross‐validation process is  normally adopted, in which the required data has been arranged randomly and divided  into ten groups. The nine groups need to be allocated for training and the remaining one  for the model’s validation. The procedure also needs repetition (ten times) to have an av‐ erage output. This detailed process of the k‐fold cross‐validation results in the high accu‐ racy of the models. In addition, the statistical checks in the form of the error’s (MSE, MAE,  and RMSE) evaluation have also been carried out, as illustrated in Table 2. The response  of the models towards the prediction was also checked through the statistical analysis,  illustrated in the form of the equations stated below. (Equations (1)–(5))  𝑚𝑜 (1) ∑ |𝑒𝑥 𝑚𝑜 | (2) 𝐸   ∑ 𝑚𝑜 𝑒𝑥   (3) 𝑥 𝑒𝑥 1 ∑ 𝑚𝑜 (4) 𝑒 𝑛 ∑ 𝑒𝑥 𝑒𝑥 𝑚𝑜 𝑅   (5) ∑ ∑ 𝑒𝑥 𝑒𝑥 𝑚𝑜 𝑚𝑜 where,   𝑒𝑥   = experimental value,  𝑚𝑜   = predicted value,  𝑒𝑥   = mean experimental value,  𝑚𝑜   = mean predicted value obtained by the model,  n = number of samples.  The resulting evaluation of the k‐fold cross‐validation comprised of four parameters,  including the coefficient correlation (R ), mean absolute error (MAE), mean square error  (MSE), and root mean square error (RMSE), and their distribution can be seen in Figure 4.  The lesser error of the GEP model with a high value of R  indicates the better performer  for prediction of outcome. The maximum, minimum, and average values of R  for the GEP  model were equal to 0.77, 0.00, and 0.49, respectively, as shown in Figure 4a. Similarly,  the same values of R  for the ANN model were 2.05, 0.00, and 0.68, as depicted in Figure  4b. However, the maximum values of the MAE, MSE, and RMSE for the GEP model were  14.37 MPa, 14.11 MPa, and 3.76 MPa, respectively, as illustrated in Figure 4a, while the  validation result for the ANN model gave maximum values of MAE, MSE, and RMSE as  16.80 MPa, 20.89 MPa, and 4.57 MPa, respectively, as shown in the Figure 4b. The mini‐ mum values of the errors (MAE, MSE, and RMSE) for the GEP model were 6.21 MPa, 8.17  MPa, and 2.86 MPa, as reflected in Figure 4a, while for ANN, these values were 5.86 MPa,  4.96 MPa, and 2.23 MPa, as depicted in Figure 4b. Additionally, the validation result for  the GEP and ANN models and the statistical checks for both, employing the supervised  machine learning algorithms, are illustrated in Tables 2 and 3, respectively.  𝑚𝑜 𝑅𝑅𝑀𝑆𝐸 𝑒𝑥 𝑅𝑆𝐸 𝑀𝐴 𝑅𝑀𝑆𝐸 𝑒𝑥 Buildings 2021, 11, 324  8  of  18     Figure 4. Statistical representation for the k‐fold cross‐validation process. GEP (a); ANN (b).  Table 2. Statistical checks of the GEP and ANN models.  Machine Learning Algorithms  MAE  MSE  RMSE  Gene Expression Programming (GEP)  1.84  9.3  3.05  Artificial Neural Network (ANN)  2.73  19  4.36  Table 3. Analysis of the k‐fold cross‐validation of ANN and GEP models.                ANN  GEP  2 2 K‐fold  MAE  MSE  RMSE  R   K‐Fold  MAE  MSE  RMSE  R   1  11.77  16.13  4.02  0.22  1  8.17  8.81  2.97  0.49  2  5.86  7.28  2.70  0.91  2  14.37  14.11  3.76  0.70  3  9.04  10.72  3.27  0.70  3  10.57  12.79  3.58  0.77  4  10.81  14.60  3.82  1.82  4  9.31  10.04  3.17  0.43  5  7.46  7.23  2.69  0.20  5  8.51  10.99  3.32  0.12  6  16.80  20.89  4.57  2.05  6  13.55  13.25  3.64  0.74  7  7.54  10.34  3.22  0.49  7  12.07  13.67  3.70  0.00  8  10.70  14.50  3.81  0.00  8  8.77  8.22  2.87  0.56  9  8.86  4.96  2.23  0.26  9  6.21  8.17  2.86  0.69  10  14.58  15.53  3.94  0.16  10  7.49  9.68  3.11  0.44  5. Sensitivity Analysis  This analysis refers to the effect of parameters on predicting the compressive strength  of concrete containing recycled coarse aggregate, as depicted in Figure 5. The input pa‐ rameters have a significant effect on forecasting the outcomes. The figure illustrates that  the highest contributor was the recycled coarse aggregate (RCA) at 41.1%, while the other  two main contributors were natural coarse aggregate (NCA) and water at 25% and 20%,  respectively. However, the contribution of the other variables was less, and for cement, it  showed a 3.8% contribution, fine aggregate 2.3%, superplasticizers 2.6%, the size of coarse  aggregate 1.9%, the density of RCA 2%, and water absorption showed 1.3% contribution  towards the prediction of the compressive strength of RCA‐based concrete. The following  equation was used to calculate the contribution of each variable towards the model’s out‐ put.  Buildings 2021, 11, 324  9  of  18  𝑁 𝑓 𝑥 𝑓 𝑥   (6) 𝑆   (7) ∑ 𝑁 where, 𝑓 𝑥   and 𝑓 𝑥   are the maximum and minimum of the estimated output  th over the i  output.  Figure 5. Sensitivity analysis indicates the contribution of parameters towards the prediction.  6. Discussion  This research describes the application of supervised machine learning (ML) tech‐ niques to foretell the strength property (compressive strength) of recycled coarse aggre‐ gate‐based concrete. The use of recycled aggregates in concrete is to produce effective ma‐ terial and sustainable construction works. The ML approaches used in this study were  gene expression programming (GEP) and an artificial neural network (ANN). The predic‐ tive performance of both algorithms was compared to evaluate the better predictor. The  GEP  model’s  outcome  was  more accurate  by indicating the  coefficient  correlation  (R )  value equal to 0.95 as opposed to the ANN model’s outcome which gave an R  value equal  to 0.92. The performance of both models was also confirmed from the statistical checks  and k‐fold cross‐validation method. The lesser values of the errors indicate the high per‐ formance of the employed model. Moreover, the sensitivity analysis was also carried out  to know about the contribution of each parameter towards the prediction of the compres‐ sive strength of concrete containing recycled coarse aggregate. The performance of the  models can be affected by the input parameters used to run the model and the number of  data points. The contribution level from the sensitivity analysis of all the nine input pa‐ rameters towards the forecasted result indicates the high contributor parameter.  7. Conclusions and Future Recommendations  This study describes the application of supervised machine learning approaches to  predict the compressive strength of concrete containing recycled coarse aggregate (RCA).  The gene expression programming (GEP) and artificial neural network (ANN) algorithms  were employed for forecasting the compressive strength of concrete. The GEP model was  more effective in terms of prediction as compared to the ANN model, which is confirmed  from its higher value of linear correlation coefficient (R ) and lesser values of the errors.  The following conclusions can be drawn.  Buildings 2021, 11, 324  10  of  18  The results of the GEP model indicate the high performance towards the prediction  of concrete containing recycled coarse aggregate (RCA) as opposed to the ANN model.  The results from the ANN model are also in the acceptable range and can be used for  predicting the outcomes.  The high performance of the GEP  model has also  been confirmed from statistical  checks and the k‐fold cross‐validation process.  The application of GEP and ANN was proposed in this study to predict the strength  property of concrete. The use of ML approaches can predict the strength properties with‐ out casting the samples in the laboratory. However, the use of other supervised machine  learning algorithms would give a better idea about the accuracy of the employed ML tech‐ niques.  The RCA also showed a significant effect (41.1%) towards predicting the concrete’s  compressive strength compared to other input variables.  It would be easier to understand the effect of the models by making comparisons of  more than two algorithms towards the prediction of the outcomes.  It is recommended for future research that datasets should be enhanced from exper‐ imental work, field tests, and other numerical analyses using different approaches (e.g.,  Monte–Carlo simulation).  The input parameters can also be increased by adding the environmental effects (e.g.,  high temperature and humidity) to provide a better response from the models.  The application of the other ensemble ML algorithms (e.g., Adaboost, bagging, and  boosting) can be more effective to predict the compressive strength of concrete.  Author Contributions: A.A.: conceptualization, methodology, investigation, formal analysis, mod‐ eling, visualization, and writing—original draft preparation. K.C.: funding acquisition, methodol‐ ogy,  investigation,  formal  analysis,  writing—reviewing  and  editing,  and  supervision.  F.F.:  re‐ sources, methodology, and writing—reviewing and editing. W.A.: methodology, and writing—re‐ viewing and editing. S.S.: conceptualization, methodology, and writing—reviewing and editing.  F.A.: conceptualization, methodology, and writing—reviewing and editing. All authors have read  and agreed to the published version of the manuscript.  Funding:  This  project  is  funded  by  Thammasat  University  Rangsit,  Klong  Luang  Pathumthani,  Thailand  Institutional Review Board Statement: Not applicable  Informed Consent Statement: Not applicable  Data Availability Statement: Not applicable  Acknowledgment: This study was supported by the Thammasat University Research Fund, Con‐ tract No. TUFT 59/2564.  Conflicts of Interest: The authors declare no conflict of interest.  Appendix A  Water  Cement  NCA  RCA  SRCA  DRCA  Strength  3 3 FA (kg/m )  SP (kg/m )  WRCA (%)  3 3 3 3 3 (kg/m )   (kg/m )  (kg/m )  (kg/m )  (mm)  (kg/m )  (MPa)  165  370  650  850.5  364.5  2.22  20  2400  4.9  50.6  165  370  650  607.5  607.5  2.22  20  2400  4.9  50.8  165  370  650  0  1215  2.22  20  2400  4.9  50.2  165  460  575  850.5  364.5  2.22  20  2400  4.9  60.8  165  460  575  607.5  607.5  2.22  20  2400  4.9  61.2  165  460  575  0  1215  2.22  20  2400  4.9  60.2  165  560  495  850.5  364.5  2.59  20  2400  4.9  70.2  165  560  495  607.5  607.5  2.59  20  2400  4.9  70.8  165  560  495  0  1215  2.59  20  2400  4.9  70  180  500  486.6  0  1135.4  0  16  0  0  44.5  Buildings 2021, 11, 324  11  of  18  180  500  0  0  1574.3  0  16  0  0  38.7  180  500  486.6  0  1135.4  0  16  0  0  46.1  180  500  0  0  1574.3  0  16  0  0  42.4  180  500  486.6  0  1135.4  0  16  0  0  52.5  180  500  0  0  1574.3  0  16  0  0  50.7  180  500  486.6  0  1135.4  0  16  0  0  45.2  180  500  0  0  1574.3  0  16  0  0  42  180  500  486.6  0  1135.4  0  16  0  0  49.6  180  500  0  0  1574.3  0  16  0  0  45.1  180  500  509.6  0  1135.4  0  16  0  0  54.4  180  500  0  0  1574.3  0  16  0  0  48.2  207.6  400  662  863  153  0  20  2410  5.8  38.1  207.6  400  662  697  298  0  20  2410  5.8  37  207.6  400  662  383  573  0  20  2410  5.8  35.8  207.6  400  662  0  903  0  20  2410  5.8  34.5  217  353  660  861  209  0  20  2330  6.3  44.9  229  353  647  527  513  0  20  2330  6.3  44.7  241  353  625  0  993  0  20  2330  6.3  46.8  230  353  661  853  202  0  20  2330  6.3  43.2  247  353  647  524  496  0  20  2330  6.3  39.7  271  353  625  0  959  0  20  2330  6.3  43.3  206  353  661  864  216  0  20  2330  6.3  43  207  353  649  531  531  0  20  2330  6.3  38.1  165  300  765  905  267  4.98  25  2430  4.4  42  165  318  739  608  537  6.042  25  2430  4.4  41  162  325  683  0  1123  6.175  25  2430  4.4  40  160.6  380  598  1182  52  4.9  20  2165  6.8  62.2  165.4  380  529  1175  103  4.9  20  2165  6.8  58.4  170.2  380  460  1168  154  4.9  20  2165  6.8  61.3  175.6  380  327  1162  254  4.9  20  2165  6.8  60.8  180.9  380  0  1162  509  4.9  20  2165  6.8  61  225  410  642  840  204  0  20  2570  3.5  45.3  225  410  642  524  506  0  20  2570  3.5  42.5  225  410  642  210  814  0  20  2570  3.5  39.2  225  410  642  0  1017  0  20  2570  3.5  37.1  180  400  708  886  215  0  20  2570  3.5  62.4  180  400  708  554  538  0  20  2570  3.5  55.8  180  400  708  0  1075  0  20  2570  3.5  42  225  410  642  840  204  0  20  2570  3.5  45.3  225  410  642  524  506  0  20  2570  3.5  42.5  225  410  642  0  1017  0  20  2570  3.5  38.1  234  360  705  0  1100  0  19  2390  4.4  22.1  190  380  705  0  1100  0  19  2390  4.4  25.1  192  400  705  0  1100  0  19  2390  4.4  27.2  181  420  705  0  1100  0  19  2390  4.4  28.7  184  460  705  0  1100  0  19  2390  4.4  29.5  178  264  835  0  1030  0  30  2520  3.8  18  174  262  830  0  1020  0  30  2510  3.9  15.4  148  427  760  0  1000  4.2  30  2520  3.8  36.4  153  423  755  0  990  4.1  30  2510  3.9  35.7  152  443  855  0  885  3.9  30  2520  3.8  44.4  Buildings 2021, 11, 324  12  of  18  225  410  642  840  204  0  20  2580  3.5  45.3  225  410  642  524  506  0  20  2580  3.5  42.5  225  410  642  0  1017  0  20  2580  3.5  38.1  205  410  662  865  210  0  20  2580  3.5  51.7  205  410  662  541  525  0  20  2580  3.5  47.1  205  410  662  0  1049  0  20  2580  3.5  43.4  180  400  708  886  215  5.6  20  2580  3.5  62.4  180  400  708  554  538  5.6  20  2580  3.5  56.8  180  400  708  0  1075  5.6  20  2580  3.5  52.1  160  400  729  912  221  7.8  20  2580  3.5  69.6  160  400  729  570  554  7.8  20  2580  3.5  65.3  160  400  729  0  1107  7.8  20  2580  3.5  58.5  175  350  730  711  297  1.68  25  2530  1.9  36.7  175  350  730  508  494  1.68  25  2530  1.9  38  175  350  730  0  989  1.68  25  2530  1.9  36  175  350  730  711  282  1.68  25  0  0  32.6  175  350  730  508  469  1.68  25  2400  6.2  30.4  175  350  730  0  938  1.68  25  2400  6.2  29.5  190  380  744.45  756.97  189.24  2.66  20  2338  5.2  47.4  190  380  709.54  471.13  471.12  2.66  20  2338  5.2  47.3  190  380  714.56  0  874.04  5.32  20  2338  5.2  54.8  140  350  732  519  556  4.2  12  2420  6.8  43.3  153  340  723  512  549  3.4  12  2400  6.8  39.6  165  330  715  507  543  2.64  12  2400  6.8  38.1  176  320  708  502  537  1.92  12  2400  6.8  34.5  186  310  702  497  533  1.24  12  2400  6.8  31.6  140  350  732  553  523  4.2  22  2420  8.8  46.1  153  340  723  547  517  3.4  22  2420  8.8  45.8  165  330  715  541  511  2.64  22  2420  8.8  39.9  176  320  708  535  506  1.92  22  2420  8.8  36.3  186  310  702  531  501  1.24  22  2420  8.8  34.7  186  372  617.65  1030.22  257.56  0  20  2400  0  27.2  186  372  617.65  772.67  515.55  0  20  2400  0  26.5  186  372  617.65  515.11  772.67  0  20  2400  0  25.4  186  372  617.65  257.56  1030.22  0  20  2400  0  25.1  186  372  494.12  128.78  123.53  0  20  2630  0  26.4  186  372  370.59  128.78  247.06  0  20  2630  0  25.9  186  372  247.06  128.78  370.59  0  20  2630  0  23.5  186  372  123.53  128.78  494.12  0  20  2630  0  15.4  200  270  750  675  200  1.08  19  2440  5.8  18.5  210  270  750  450  400  1.35  19  2440  5.8  18  220  270  750  225  600  1.62  19  2440  5.8  16.5  165  370  865  760  230  1.48  19  2440  5.8  33  165  370  865  505  455  1.85  19  2440  5.8  34.5  165  370  865  250  680  2.59  19  2440  5.8  34  178.5  275  938.05  723.07  180.77  1.925  16  2400  5  31.7  178.5  275  962.73  423.77  423.77  1.925  16  2400  5  32.4  178.5  275  1005.18  0  756.46  1.925  16  2400  5  30.1  190  380  794.31  750.04  187.57  2.66  16  2400  5  43.7  190  380  811.37  443.71  443.71  2.66  16  2400  5  37.5  190  380  838.29  0  807.97  2.66  16  2400  5  40.5  Buildings 2021, 11, 324  13  of  18  151  335  630  414  720  1.266  19  2420  5.4  41.4  156  349  888  0  792  1.67616  19  2420  5.4  43.9  161  358  645  281  813  1.3584  19  2500  3.3  44.8  156  349  857  0  867  1.2564  19  2500  3.3  45.9  172.43  401  574  911  303  0.2005  20  2661  1.9  47  172.43  401  574  585  585  0.70175  20  2602  2.6  46  172.43  401  574  0  1119  0.90225  20  2510  3.9  42.5  190.8  424  770  0  980  0  19  2490  4.8  41  192.5  350  800  0  1015  0  19  2490  4.8  33.3  191.75  295  814  0  1039  0  19  2490  4.8  24.8  150  250  762  858  286  4.375  19  0  0  26.7  150  250  753  564  564  4.375  19  0  0  21.5  150  250  743  279  836  4.375  19  0  0  21.4  150  250  734  0  1100  4.375  19  0  0  20  180  400  685  770  257  3  19  0  0  38.3  180  400  676  507  507  3  19  0  0  37  180  400  667  250  751  3  19  0  0  35  180  400  659  0  988  3  19  0  0  33.3  175  325  0  0  1762  3.45  32  2263  6  33.2  222  350  0  0  1778  4.5  32  2283  4.2  35.6  221  350  0  0  1771  4.5  32  2292  4.3  34.6  195  325  0  0  1710  3.25  32  2301  5  37.3  123  300  0  192  1728  3  32  2609  1.5  45.4  144  325  0  768  1152  3.25  32  2518  2.7  54.3  123  325  0  754.4  1131.6  3.25  32  2584  1.6  54.4  132  300  0  1448.25  482.75  3  32  2594  1.6  53.4  180  275  625  882  378  0  20  2340  5.3  20  180  295  595  635  635  0  20  2340  5.3  19  180  310  610  0  1240  0  20  2340  5.3  18  180  330  585  872  373  0  20  2340  5.3  23  180  355  560  623  623  0  20  2340  5.3  24  180  372  536  0  1252  0  20  2340  5.3  21  180  355  560  872  373  0  20  2340  5.3  25  180  385  550  613  613  0  20  2340  5.3  29  180  409  525  0  1226  0  20  2340  5.3  30  180  375  544  869  372  0  20  2340  5.3  39  180  405  508  624  624  0  20  2340  5.3  31  180  426  494  0  1241  0  20  2340  5.3  34  193  350  661  1061  57  0  12  2010  10.9  40  194  350  515  1061  170  0  12  2010  10.9  38.6  196  350  368  1061  283  0  12  2010  10.9  37.6  199  158  0  1061  566  0  12  2010  10.9  38.6  158  350  693  1111  59  3.5  12  2010  10.9  53.7  163  350  536  1105  177  3.5  12  2010  10.9  51  168  350  381  1100  294  3.5  12  2010  10.9  47.8  178  350  0  1089  582  3.5  12  2010  10.9  45.1  137  350  713  1143  61  3.5  12  2010  10.9  64.6  139  350  555  1143  183  3.5  12  2010  10.9  65.4  143  350  395  1138  304  3.5  12  2010  10.9  63.2  150  350  0  1132  605  3.5  12  2010  10.9  63  180  281  802  0  970  0  10  2360  4.7  38.6  Buildings 2021, 11, 324  14  of  18  170  293  648  0  919  0  10  2280  6.2  38.1  165  337  841  0  879  0  10  2220  7.8  39.3  190  463  621  0  970  0  10  2360  4.7  60.1  190  500  621  0  919  3.24  10  2280  6.2  60.2  180  600  567  0  879  5.04  10  2220  7.8  62.8  220  537  693  782  138  0  20  2330  4.4  50.8  220  537  693  644  276  0  20  2330  4.4  44.9  220  537  693  506  414  0  20  2330  4.4  44.6  220  537  693  368  552  0  20  2330  4.4  42.4  220  537  693  782  138  0  20  2370  4  54  220  537  693  644  276  0  20  2370  4  56  220  537  693  506  414  0  20  2370  4  54.4  220  537  693  368  552  0  20  2370  4  40.6  220  537  693  782  138  0  20  2390  3.6  55.2  220  537  693  644  276  0  20  2390  3.6  53.5  220  537  693  506  414  0  20  2390  3.6  56.9  220  537  693  368  552  0  20  2390  3.6  54.7  220  537  693  782  138  0  20  2320  4.6  50.5  220  537  693  644  276  0  20  2320  4.6  48.9  220  537  693  506  414  0  20  2320  4.6  45.8  220  537  693  368  552  0  20  2320  4.6  40  220  537  693  782  138  0  20  2390  3.7  54.4  220  537  693  644  276  0  20  2390  3.7  50.2  220  537  693  506  414  0  20  2390  3.7  49.5  220  537  693  368  552  0  20  2390  3.7  40.4  220  537  693  782  138  0  20  2390  3.5  45  220  537  693  644  276  0  20  2390  3.5  46.9  220  537  693  506  414  0  20  2390  3.5  51.4  220  537  693  368  552  0  20  2390  3.5  53.2  220  537  693  782  138  0  20  2380  3.8  55.3  220  537  693  644  276  0  20  2380  3.8  55.9  220  537  693  506  414  0  20  2380  3.8  52.6  220  537  693  368  552  0  20  2380  3.8  48  220  537  693  782  138  0  20  2380  3.8  49.1  220  537  693  644  276  0  20  2380  3.8  49.9  220  537  693  506  414  0  20  2380  3.8  50.3  220  537  693  368  552  0  20  2380  3.8  47.5  220  537  693  782  138  0  20  2400  3.5  43.2  220  537  693  644  276  0  20  2400  3.5  53.7  220  537  693  506  414  0  20  2400  3.5  50  220  537  693  368  552  0  20  2400  3.5  43.3  220  537  693  782  138  0  20  2370  4  52.9  220  537  693  644  276  0  20  2370  4  49.9  220  537  693  506  414  0  20  2370  4  53.7  220  537  693  368  552  0  20  2370  4  46  206  413  606  0  987  0  25  2452  4.1  51  206  413  606  0  987  0  25  2452  4.1  49  206  413  606  0  987  0  25  2452  4.1  48  206  413  606  537  494  0  25  2452  4.1  51  206  413  606  537  494  0  25  2452  4.1  51  206  413  606  537  494  0  25  2452  4.1  51  Buildings 2021, 11, 324  15  of  18  206  413  606  805  245  0  25  2452  4.1  52  206  413  606  805  245  0  25  2452  4.1  50  206  413  606  805  245  0  25  2452  4.1  49  145.6  520  577.2  0  1040  0  25  2260  7.5  38.3  145.6  520  577.2  0  1040  0  25  2260  7.5  32.9  119.6  520  577.2  0  1040  0  25  2260  7.5  33.2  146.2  430  653.6  0  1032  0  25  2260  7.5  31.3  146.2  430  653.6  0  1032  0  25  2260  7.5  28.4  120.4  430  653.6  0  1032  0  25  2260  7.5  28  145.77  339  728.85  0  1050.9  0  25  2260  7.5  26.5  145.77  339  728.85  0  1050.9  0  25  2260  7.5  23.3  118.65  339  728.85  0  1050.9  0  25  2260  7.5  21.6  144.06  294  767.34  0  1029  0  25  2260  7.5  21.6  144.06  294  767.34  0  1029  0  25  2260  7.5  18  117.6  294  767.34  0  1029  0  25  2260  7.5  18.8  146.91  249  804.27  0  1045.8  0  25  2260  7.5  16.1  146.91  249  804.27  0  1045.8  0  25  2260  7.5  13.4  119.52  249  804.27  0  1045.8  0  25  2260  7.5  13.9  179  275  878  735  184  0  20  2320  5.3  41  179  275  849  455  455  0  20  2320  5.3  44  179  275  868  0  830  0  20  2320  5.3  45  190  380  744  757  189  0  20  2320  5.3  50.5  190  380  710  471  471  0  20  2320  5.3  45  190  380  715  0  874  0  20  2320  5.3  56  179  275  961  740  185  0  20  2320  5.3  33.5  179  275  978  408  408  0  20  2320  5.3  32  179  275  1010  0  640  0  20  2320  5.3  32  190  380  813  767  192  0  20  2320  5.3  44  190  380  822  426  427  0  20  2320  5.3  41  190  380  836  0  683  0  20  2320  5.3  41.5  179  325  799  839  210  0  20  2320  5.3  44  179  325  831  490  490  0  20  2320  5.3  41  179  325  825  0  923  0  20  2320  5.3  33.5  173  385  698  892  223  0  20  2320  5.3  53.5  173  385  742  515  515  0  20  2320  5.3  54  173  385  746  0  963  0  20  2320  5.3  40  159.6  380  862.4  489.3  489.3  5.7  20  2330  6.1  41.6  193.8  380  934.1  0  867.7  6.46  20  2330  6.1  31.4  197.6  380  862.4  489.3  489.3  5.7  20  2330  6.1  35.5  231.8  380  934.1  0  867.7  6.46  20  2330  6.1  26  167.2  380  862.4  489.3  489.3  5.7  20  2320  5.8  44.6  193.8  380  934.1  0  867.7  6.46  20  2320  5.8  36.7  235.6  380  934.1  0  867.7  6.46  20  2320  5.8  29.5  155.8  380  818.5  840.9  210.2  4.56  20  2360  3.9  46.1  159.6  380  862.4  489.3  489.3  5.7  20  2360  3.9  45.1  171  380  934.1  0  867.7  6.46  20  2360  3.9  42.9  190  380  818.5  840.9  210.2  4.56  20  2360  3.9  39.3  197.6  380  862.4  489.3  489.3  5.7  20  2360  3.9  39.5  205.2  380  934.1  0  867.7  6.46  20  2360  3.9  37.7  159.6  380  818.5  840.9  210.2  4.56  20  2350  4.5  48.1  163.4  380  862.4  489.3  489.3  5.7  20  2350  4.5  41  Buildings 2021, 11, 324  16  of  18  152  380  934.1  0  867.7  6.46  20  2350  4.5  38.7  193.8  380  818.5  840.9  210.2  4.56  20  2350  4.5  42.7  197.6  380  862.4  489.3  489.3  5.7  20  2350  4.5  35.4  190  380  934.1  0  867.7  6.46  20  2350  4.5  31.4  159.6  380  818.5  840.9  210.2  4.56  20  2350  4.7  48.5  159.6  380  862.4  489.3  489.3  5.7  20  2350  4.7  45.4  163.4  380  934.1  0  867.7  6.46  20  2350  4.7  37  197.6  380  818.5  840.9  210.2  4.56  20  2350  4.7  41.3  197.6  380  862.4  489.3  489.3  5.7  20  2350  4.7  36.8  212.8  380  934.1  0  867.7  6.46  20  2350  4.7  31.2  159.8  340  556  1020  238  0  20  2336  3.6  50  159.8  340  556  638  596  0  20  2315  3.6  45.3  159.8  340  556  319  894  0  20  2295  3.6  44  137.1  380  927  869.2  202  0  10  2470  3.7  108  146.5  380  927  543.2  505.1  0  10  2470  3.7  104.8  162.3  380  927  0  1010.2  0  10  2470  3.7  108.5  138.2  380  927  869.2  195  0  10  2390  4.9  102.5  149.8  380  927  543.2  487.5  0  10  2390  4.9  103.1  170.4  380  927  0  975.1  0  10  2390  4.9  100.8  139.7  380  927  869.2  187.8  0  10  2300  5.9  104.3  153.1  380  927  543.4  469.4  0  10  2300  5.9  96.8  175  380  927  0  938.8  0  10  2300  5.9  91.2  185.4  309  864  848  211  1.0197  16  2380  6.9  42.9  191.7  320  817.5  538  538  1.056  16  2380  6.9  42.5  201.6  336  785  0  1060  1.1088  16  2380  6.9  40.9  192.5  386  829  808  202  2.0458  16  2380  6.9  51.6  200  399  795  504  504  2.1147  16  2380  6.9  51.6  210  420  738  0  1014  2.226  16  2380  6.9  50.3  205  300  697  0  1075  0  20  2450  3.1  35  205  300  697  0  1027  0  20  2370  7.1  29.2  205  300  697  0  1027  0  20  2360  7.8  27.7  180  350  706  0  1089  0  20  2450  3.1  47.6  180  350  706  0  1041  0  20  2370  7.1  42  180  350  706  0  1041  0  20  2360  7.8  42.9  185  425  696  0  1028  0  20  2450  3.1  60  185  425  696  0  982  0  20  2370  7.1  53.7  185  425  696  0  982  0  20  2360  7.8  53.2  165  485  685  0  1039  0  20  2450  3.1  78.2  165  485  685  0  979  0  20  2370  7.1  71.2  165  485  685  0  982  0  20  2360  7.8  65.4  178.3  358  730.4  783.6  299.3  0.3  19  2570  2.7  33.6  178.3  358  730.4  458.3  598.4  0.3  19  2570  2.7  30.4  178.3  358  730.4  0  1020  0.3  19  2570  2.7  29.1  195  300  787.1  756.4  189.1  0  20  2300  5.2  39.5  195  300  737.4  485.5  485.5  0  20  2300  5.2  40.8  195  300  712.6  0  951.4  0  20  2300  5.2  43.7  195  300  814.4  733  183.2  0  20  2300  5.5  41  195  300  804.2  450.7  450.7  0  20  2300  5.5  38.8  195  300  807.9  0  855.2  0  20  2300  5.5  39.9  214.2  210  929  0  966  0  22  2451  7.8  19.7  196  280  866  0  940  0  22  2387  6.9  35.7  Buildings 2021, 11, 324  17  of  18  161  350  858  0  974  3.5  22  2362  4.2  66.8  212.1  210  932  0  970  0  22  2456  7.5  21.8  193.2  280  870  0  970  0  22  2455  6.4  36.1  157.5  350  858  0  1029  3.5  22  2496  4.2  68.5  207.9  210  938  0  953  0  22  2401  7.6  21  187.6  280  877  0  988  0  22  2484  5.4  41.1  150.5  350  868  0  982  3.5  22  2363  3.6  70.2  205.8  210  943  0  977  0  22  2447  6.9  23.6  190.4  280  873  0  962  0  22  2458  5.8  39.7  157.5  350  858  0  1016  3.5  22  2464  3.9  66.5  179  275  878  735  184  0  19  2320  5.3  49.3  179  275  849  455  455  0  19  2320  5.3  47.5  179  275  868  0  830  0  19  2320  5.3  53.7  190  380  714  757  189  0  19  2320  5.3  64.8  190  380  710  471  471  0  19  2320  5.3  63.5  190  380  715  0  874  0  19  2320  5.3  65.1  179  275  961  740  185  0  19  2320  5.3  64.8  179  275  978  408  408  0  19  2320  5.3  63.5  179  275  1010  0  640  0  19  2320  5.3  65.1  190  380  813  767  192  0  19  2320  5.3  54.9  190  380  822  426  427  0  19  2320  5.3  51.5  190  380  836  0  683  0  19  2320  5.3  50.3  179  325  799  839  210  0  19  2320  5.3  56.5  179  325  831  490  490  0  19  2320  5.3  48.9  179  325  825  0  923  0  19  2320  5.3  43.1  173  385  698  892  233  0  19  2320  5.3  67.4  173  385  742  515  515  0  19  2320  5.3  61.2                   173  385  746  0  963  0  19  2320  5.3  53.7  References  1. Cachim,  P.B.  Mechanical  properties  of  brick  aggregate  concrete.  Constr.  Build.  Mater.  2009,  23,  1292–1297,  doi:10.1016/j.conbuildmat.2008.07.023.  2. Kumar  Mehta,  P.  Point  of  view:  Reflections  about  technology  choices.  Concr.  Int.  1970,  69–76.  Available  online:  http://maquinamole.net/EcoSmartConcrete.com/docs/trmehta99.pdf (accessed on 17 June 2021).  3. Mikulčić,  H.;  Klemeš,  J.J.;  Vujanović,  M.;  Urbaniec,  K.;  Duić,  N.  Reducing  greenhouse  gasses  emissions  by  fostering  the  deployment of alternative raw materials and energy sources in the cleaner cement manufacturing process. J. Clean. Prod. 2016,  136, 119–132, doi:10.1016/j.jclepro.2016.04.145.  4. Naik, T.R. Sustainability of Concrete Construction. Pract. Period. Struct. Des. Constr. 2008, 13, 98–103, doi:10.1061/(asce)1084‐ 0680(2008)13:2(98).  5. Barreto  Santos,  M.;  de  Brito,  J.;  Santos  Silva,  A.;  Hawreen,  A.  Effect  of  the  source  concrete  with  ASR  degradation  on  the  mechanical  and  physical  properties  of  coarse  recycled  aggregate.  Cem.  Concr.  Compos.  2020,  111,  103621,  doi:10.1016/j.cemconcomp.2020.103621.  6. Lehmann, S. Optimizing urban material flows and waste streams in urban development through principles of zero waste and  sustainable consumption. Sustainability 2011, 3, 155–183, doi:10.3390/su3010155.  7. Massari, S.; Ruberti, M. Rare earth elements as critical raw materials: Focus on international markets and future strategies.  Resour. Policy 2013, 38, 36–43, doi:10.1016/j.resourpol.2012.07.001.  8. Northey,  S.A.;  Mudd,  G.M.;  Werner,  T.T.  Unresolved  Complexity  in  Assessments  of  Mineral  Resource  Depletion  and  Availability. Nat. Resour. Res. 2018, 27, 241–255, doi:10.1007/s11053‐017‐9352‐5.  9. Safiuddin, M.; Jumaat, M.Z.; Salam, M.A.; Islam, M.S.; Hashim, R. Utilization of solid wastes in construction materials. Int. J.  Phys. Sci. 2010, 5, 1952–1963, doi:10.5897/IJPS.9000617.  10. Maghool, F.; Arulrajah, A.; Du, Y.J.; Horpibulsuk, S.; Chinkulkijniwat, A. Environmental impacts of utilizing waste steel slag  aggregates as recycled road construction materials. Clean Technol. Environ. Policy 2017, 19, 949–958, doi:10.1007/s10098‐016‐1289‐ 6.  Buildings 2021, 11, 324  18  of  18  11. Marie,  I.;  Quiasrawi,  H.  Closed‐loop  recycling  of  recycled  concrete  aggregates.  J.  Clean.  Prod.  2012,  37,  243–248,  doi:10.1016/j.jclepro.2012.07.020.  12. Al‐Ali,  A.Y.  Assessment  of  recycled  aggregate  structural  suitability  for  road  construction.  In  Proceedings  of  the  First  International Conference and Exhibition on Quality Control and Quality Assurance of Construction Materials, Dubai, United  Arab  Emirates,  2001.  Available  online:  https://scholarworks.uaeu.ac.ae/all_thesesTheses.383.https://scholarworks.uaeu.ac.ae/all_theses/383 (accessed on 17 June 2021).  13. Li, J. Study on mechanical behavior of recycled aggregate concrete. Shanghai, Tongji University. Thesis, Master of Engineering,  October 2004.  14. Vázquez, E. Recycled concrete. In Progress of Recycling in the Built Environment; RILEM State‐of‐the‐Art Reports; Springer: Berlin,  Germany, 2013; pp. 175–194, doi:10.1007/978‐94‐007‐4908‐5_4.  15. Buck, A.D. Recycled concrete as a source of aggregate. J. Am. Concr. Inst. 1977, 74, 212–219, doi:10.14359/11004.  16. Khan, M.; Ali, M. Use of glass and nylon fibers in concrete for controlling early age micro cracking in bridge decks. Constr. Build.  Mater. 2016, 125, 800–808, doi:10.1016/j.conbuildmat.2016.08.111.  17. Arshad, S.; Sharif, M.B.; Irfan‐ul‐Hassan, M.; Khan, M.; Zhang, J.L. Efficiency of Supplementary Cementitious Materials and  Natural Fiber on Mechanical Performance of Concrete. Arab. J. Sci. Eng. 2020, 45, 8577–8589, doi:10.1007/s13369‐020‐04769‐z.  18. Khan, M.; Cao, M.; Ali, M. Effect of basalt fibers on mechanical properties of calcium carbonate whisker‐steel fiber reinforced  concrete. Constr. Build. Mater. 2018, 192, 742–753, doi:10.1016/j.conbuildmat.2018.10.159.  19. Cao, Y.F.; Tao, Z.; Pan, Z.; Wuhrer, R. Effect of calcium aluminate cement on geopolymer concrete cured at ambient temperature.  Constr. Build. Mater. 2018, 191, 242–252, doi:10.1016/j.conbuildmat.2018.09.204.  20. Tabsh, S.W.; Abdelfatah, A.S. Influence of recycled concrete aggregates on strength properties of concrete. Constr. Build. Mater.  2009, 23, 1163–1167, doi:10.1016/j.conbuildmat.2008.06.007.  21. Li, X. Recycling and reuse of waste concrete in China. Part I. Material behaviour of recycled aggregate concrete. Resour. Conserv.  Recycl. 2008, 53, 36–44, doi:10.1016/j.resconrec.2008.09.006.  22. Xiao J.Z.; Lan, Y. Investigation on the tensile behavior of recycled aggregate concrete. Jianzhu Cailiao Xuebao. J. Build. Mater.  2006, 9, 154‐8.  23. Rahal,  K.  Mechanical  properties  of  concrete  with  recycled  coarse  aggregate.  Build.  Environ.  2007,  42,  407–415,  doi:10.1016/j.buildenv.2005.07.033.  24. Xiao, J.Z.; Li, J.B. Study on relationships between strength indexes of recycled concrete. Jianzhu Cailiao Xuebao/J. Build. Mater.  2005,  8,  197–201.  Available  online:  https://en.cnki.com.cn/Article_en/CJFDTotal‐JZCX20050200H.htm  (accessed  on  17  June  2021).  25. Khatib,  J.M.  Properties  of  concrete  incorporating  fine  recycled  aggregate.  Cem.  Concr.  Res.  2005,  35,  763–769,  doi:10.1016/j.cemconres.2004.06.017.  26. Chen,  H.J.;  Yen,  T.;  Chen,  K.H.  Use  of  building  rubbles  as  recycled  aggregates.  Cem.  Concr.  Res.  2003,  33,  125–132,  doi:10.1016/S0008‐8846(02)00938‐9.  27. Tam, V.W.Y.; Tam, C.M.; Wang, Y. Optimization on proportion for recycled aggregate in concrete using two‐stage mixing  approach. Constr. Build. Mater. 2007, 21, 1928–1939, doi:10.1016/j.conbuildmat.2006.05.040.  28. Padmini, A.K.; Ramamurthy, K.; Mathews, M.S. Influence of parent concrete on the properties of recycled aggregate concrete.  Constr. Build. Mater. 2009, 23, 829–836, doi:10.1016/j.conbuildmat.2008.03.006.  29. Tüfekçi, M.M.; Çakır, Ö. An Investigation on Mechanical and Physical Properties of Recycled Coarse Aggregate (RCA) Concrete  with GGBFS. Int. J. Civ. Eng. 2017, 15, 549–563, doi:10.1007/s40999‐017‐0167‐x.  30. Etxeberria, M.; Vázquez, E.; Marí, A.; Barra, M. Influence of amount of recycled coarse aggregates and production process on  properties of recycled aggregate concrete. Cem. Concr. Res. 2007, 37, 735–742, doi:10.1016/j.cemconres.2007.02.002.  31. Ahmad, A.; Farooq, F.; Niewiadomski, P.; Ostrowski, K.; Akbar, A.; Aslam, F.; Alyousef, R. Prediction of compressive strength  of fly ash based concrete using individual and ensemble algorithm. Materials 2021, 14, 794, doi:10.3390/ma14040794.  32. Su, M.; Zhong, Q.; Peng, H.; Li, S. Selected machine learning approaches for predicting the interfacial bond strength between  FRPs and concrete. Constr. Build. Mater. 2021, 270, 121456, doi:10.1016/j.conbuildmat.2020.121456.  33. Nguyen, K.T.; Nguyen, Q.D.; Le, T.A.; Shin, J.; Lee, K. Analyzing the compressive strength of green fly ash based geopolymer  concrete  using  experiment  and  machine  learning  approaches.  Constr.  Build.  Mater.  2020,  247,  118581,  doi:10.1016/j.conbuildmat.2020.118581.  34. Ahmad, A.; Farooq, F.; Ostrowski, K.A.; Śliwa‐Wieczorek, K.; Czarnecki, S. Application of novel machine learning techniques  for  predicting  the  surface  chloride  concentration  in  concrete  containing  waste  material.  Materials  2021,  14,  2297,  doi:10.3390/ma14092297.  http://www.deepdyve.com/assets/images/DeepDyve-Logo-lg.png Buildings Multidisciplinary Digital Publishing Institute

Compressive Strength Prediction via Gene Expression Programming (GEP) and Artificial Neural Network (ANN) for Concrete Containing RCA

Download PDF
18 pages

Loading next page...
 
/lp/multidisciplinary-digital-publishing-institute/compressive-strength-prediction-via-gene-expression-programming-gep-pnusamV0Yo

References (36)

Publisher
Multidisciplinary Digital Publishing Institute
Copyright
© 1996-2021 MDPI (Basel, Switzerland) unless otherwise stated Disclaimer The statements, opinions and data contained in the journals are solely those of the individual authors and contributors and not of the publisher and the editor(s). MDPI stays neutral with regard to jurisdictional claims in published maps and institutional affiliations. Terms and Conditions Privacy Policy
ISSN
2075-5309
DOI
10.3390/buildings11080324
Publisher site
See Article on Publisher Site

Abstract

Article  Compressive Strength Prediction via Gene Expression   Programming (GEP) and Artificial Neural Network (ANN) for  Concrete Containing RCA  1,2 3, 1 1 4 5 Ayaz Ahmad  , Krisada Chaiyasarn  *, Furqan Farooq  , Waqas Ahmad  , Suniti Suparp   and Fahid Aslam      Department of Civil Engineering, Abbottabad Campus, COMSATS University Islamabad, Islamabad 22060,  Pakistan; ayazahmad@cuiatd.edu.pk (A.A.); furqan@cuiatd.edu.pk (F.F.);   waqasahmad@cuiatd.edu.pk (W.A.)    Faculty of Civil Engineering, Cracow University of Technology, 24 Warszawska Str., 31‐155 Cracow, Poland    Faculty of Civil Engineering, Thammasat University Rangsit, Klong Luang Pathumthani, Pathum Thani  12121, Thailand    Department of Civil and Environmental Engineering, Faculty of Engineering, Srinakharinwirot University,  Bangkok 10110, Thailand; suniti@g.swu.ac.th    Department of Civil Engineering, College of Engineering, Al‐Kharj 11942, Saudi Arabia;  f.aslam@psau.edu.sa  *  Correspondence: ckrisada@engr.tu.ac.th  Abstract: To minimize the environmental risks and for sustainable development, the utilization of  recycled aggregate (RA) is gaining popularity all over the world. The use of recycled coarse aggre‐ gate (RCA) in concrete is an effective way to minimize environmental pollution. RCA does not gain  more attraction because of the availability of adhered mortar on its surface, which poses a harmful  effect on the properties of concrete. However, a suitable mix design for RCA enables it to reach the  Citation: Ahmad, A.; Chaiyasarn, K.;  targeted strength and be applicable for a wide range of construction projects. The targeted strength  Farooq, F.; Ahmad, W.; Suparp, S.;  achievement from the proposed mix design at a laboratory is also a time‐consuming task, which  Aslam, F. Compressive Strength   Prediction via Gene Expression   may cause a delay in the construction work. To overcome this flaw, the application of supervised  Programming (GEP) and Artificial  machine learning (ML) algorithms, gene expression programming (GEP), and artificial neural net‐ Neural Network (ANN) for   work (ANN) was employed in this study to predict the compressive strength of RCA‐based con‐ Concrete Containing RCA. Buildings  crete. The linear coefficient correlation (R ), mean absolute error (MAE), mean square error (MSE),  2021, 11, 324. https://doi.org/  and root mean square error (RMSE) were evaluated to investigate the performance of the models.  10.3390/buildings11080324  The k‐fold cross‐validation method was also adopted for the confirmation of the model’s perfor‐ mance. In comparison, the GEP model was more effective in terms of prediction by giving a higher  Academic Editor: Emanuele Brunesi  2 2 correlation (R ) value of 0.95 as compared to ANN, which gave a value of R  equal to 0.92. In addi‐ tion, a sensitivity analysis was conducted to know about the contribution level of each parameter  Received: 27 June 2021  used to run the models. Moreover, the increment in data points and the use of other supervised ML  Accepted: 24 July 2021  approaches  like  boosting,  gradient  boosting,  and  bagging  to  forecast  the  compressive  strength,  Published: 27 July 2021  would give a better response.  Publisher’s  Note:  MDPI  stays  neu‐ tral  with  regard  to  jurisdictional  Keywords: recycled coarse aggregate; cement; concrete; gene expression programming; artificial  claims in published maps and institu‐ neural network; machine learning  tional affiliations.  1. Introduction  Copyright: © 2021 by the authors. Li‐ The utilization trend of aggregate obtained from natural resources increases sharply  censee  MDPI,  Basel,  Switzerland.  from the increased manufacturing and usage of concrete in the construction sectors [1,2].  This article  is an open access article  The largest consumers of the natural aggregates are construction industries [3]. A total of  distributed under the terms and con‐ 15 billion tons of concrete material is produced worldwide, which equates to about two  ditions of the Creative Commons At‐ tons of concrete per resident per annum [4]. To reduce this flaw and manage this demand,  tribution (CC BY) license (http://crea‐ tivecommons.org/licenses/by/4.0/).  the origin of good quality natural aggregates is significantly reducing worldwide [5]. The  Buildings 2021, 11, 324. https://doi.org/10.3390/buildings11080324  www.mdpi.com/journal/buildings  Buildings 2021, 11, 324  2  of  18  approximate amount of aggregate used in the European Union countries has reached two  billion each year. The activities related to construction demand a high number of natural  materials  to  produce  cement  and  aggregate.  However,  the  construction  sectors  are  an  enormous consumer of natural resources, producing huge amounts of waste [6]. The ap‐ plication of raw materials in the construction industry is the key factor that causes envi‐ ronmental risks and pollution to earth [7]. The usage of raw materials has also led to the  depletion of minerals as well as natural resources [8]. Resources including cement, fine  aggregate, and coarse aggregate will be at a deprived status because these resources can‐ not manage the increasing demand in the construction industry [9]. Furthermore, sustain‐ able  waste  management  is  one  of  the  most  crucial  matters  experienced  by  the  world.  Therefore, to minimize the environmental impact and energy consistency of concrete ap‐ plied to construction work, the utilization of demolition and construction wastes can be  favorable for a sustainable engineering approach for the mixed design of concrete. The  use of recycled coarse aggregate (RCA) can also be a significant and positive aspect to  achieve sustainable construction and reduce environmental risks [10].  The main difference between the natural aggregate and recycled coarse aggregate  (RCA) is a certain amount of sticky mortar at the surface of RCA [11]. The properties of  RCA vary with certain percentages from the natural aggregate. RCA is generally a porous  material, having low saturated surface dry density and bulk density, 2310–2620 kg/m  and  1290–1470 kg/m , respectively [12]. The porosity of RCA is due to a high content of ad‐ hered mortar on its surface, which also reduces its resistance against the chemical and  mechanical effects. In comparison, RCA also shows a high value of water absorption (4%  to 9%) as opposed to natural aggregate (1% to 2%) [13]. The porosity and water absorption  are normally increased in RCA just because of the amount of adhered mortar [14,15]. The  effect on density and absorption capacity is also affected by the adhered mortar. These  parameters affect the fresh properties of concrete and reduce the strength properties of  concrete. The proper mix design for RCA has assured the acceptable properties of concrete  which can be used in several construction projects. The properties of concrete material can  also be improved by using other waste materials like silica fume, fly ash, and natural and  artificial fibers [16–19].  Several studies were presented regarding the application of recycled aggregate (RA)  in concrete at certain percentages [20,21]. Several properties of concrete were investigated  upon the inclusion of RA in concrete, including the fresh properties and mechanical prop‐ erties of RA‐based concrete [22–24]. The different qualities of RA were employed in con‐ crete for maintaining or increasing the strength properties of concrete [25–28]. They also  showed that the targeted strength was achieved even at an 80% replacement of coarse  aggregate with RCA. Khaldoun et al. [23] worked on the effect of mechanical properties  of concrete containing RCA. The compressive strength of the specimens at different ages  was calculated to analyze the behavior of concrete. Muzaffer et al. [29] described the me‐ chanical and physical properties of RCA concrete GGBFS, in which they concluded that  the split tensile strength was improved when tested at various ages of specimens. Etxe‐ berria et al. [30] showed the influence of RCA and the production process on the proper‐ ties of recycled aggregate‐based concrete. They prepared concrete with 0%, 25%, 50%, and  100% recycled aggregate to investigate the properties. Sumayia et al. reported the mechan‐ ical properties of three generations of 100% repetition of RCA. They reported the idea that  the repeated RA experienced marginally lower compressive strength than the normal con‐ crete.  Supervised machine learning (ML) techniques are extensively used in the fields of  artificial inelegance (AI) and computer science and have a positive reflection in engineer‐ ing. However, it has gained rapid promotion in the field of civil engineering, especially  when it comes to predicting the strength properties of concrete.   The supervised ML ap‐ proaches can be employed, which can predict the outcomes at high accuracy. Ayaz et al.  [31] predicted the compressive strength of fly ash‐based concrete with individual and en‐ semble ML approaches. Miao et al. [32] used MLR, SVM, and ANN to foretell the bond  Buildings 2021, 11, 324  3  of  18  strength between the FRPs and concrete, in which they compared the accuracy level of the  predictions from the employed techniques. Khoa et al. [33] used ML algorithms to forecast  the compressive strength of greenfly ash‐based geopolymer concrete. Marjana et al. used  different ML techniques for predicting the compressive strength of concrete. The predicted  accuracy and the error distribution were analyzed in the study. Ayaz et al. [34] used arti‐ ficial neural network (ANN), gene expression programming (GEP), and decision tree (DT)  techniques to forecast the surface chloride concentration in concrete containing waste ma‐ terial. They indicated that the GEP was a more effective technique for prediction than other  employed algorithms. This research also focuses on the application of supervised ML ap‐ proaches to forecast the compressive strength of recycled coarse aggregate‐based concrete.  The ANN and GEP algorithms have been investigated to predict the compressive strength  of concrete containing recycled aggregate. The various statistical checks, k‐fold cross‐vali‐ dation method, and error distribution are included to confirm the model performance. The  focus of this study is on the application of supervised machine learning algorithms (gene  expression  programming  and  artificial  neural  network)  to  predict  the  compressive  strength of concrete containing recycled coarse aggregate (RCA) of 344 data points. The  aim of this research also describes the performance of gene expression programming (GEP)  and an artificial neural network (ANN) in terms of the correlation coefficient (R ) value.  The statistical checks, evaluation of errors (MAE, MSE, and RMSR), k‐fold cross‐validation,  and sensitivity analysis were also involved to evaluate the performance of both GEP and  ANN models. This study can be useful for researchers in the field of civil engineering to  foretell the strength properties without consuming more time on practical work in the la‐ boratory.  2. Data Description  Supervised machine learning algorithms require various input variables to give the  output predicted variable. The data used in this study to forecast the compressive strength  of recycled coarse aggregate‐based concrete were taken from previously published litera‐ ture and can be seen in Appendix A. A total of nine parameters including water, cement,  sand, natural coarse aggregate, recycled coarse aggregate (RCA), superplasticizers, size of  RCA, the density of RCA, and water absorption of RCA were taken as input for running  the models, and one variable, compressive strength, was taken as an outcome for the mod‐ els. Several input parameters and the total number of data points greatly influence the  model’s outcome. A total of 344 data points (mixes) for the prediction of RCA‐based con‐ crete were used in the study. Anaconda software was introduced to run the model for  ANN using python coding, while the GEP model was run on the GEP software. The rela‐ tive frequency distribution of each parameter used for the mixes can be seen in Figure 1.  The descriptive statistical analysis for all the parameters is listed in Table 1. The flowchart  of the research approach can be seen in Figure 2.  Table 1. Descriptive analysis of the input parameters.  Parameter’s  Water  Cement  *FA  *NCA  *RCA  *SP  *SRCA  *DRCA  *WRCA  Descriptions  Mean  184.62  386.86  681.89  398.07  650.74  1.32  19.76  2231.06  4.80  Standard Error  1.39  4.43  11.07  19.99  20.37  0.11  0.22  31.32  0.12  Median  180.00  380.00  698.00  471.00  552.00  0.00  20.00  2362.50  4.90  Mode  220.00  380.00  693.00  0.00  138.00  0.00  20.00  2320.00  5.30  Standard  25.84  82.16  205.28  370.71  377.73  2.05  4.02  580.95  2.26  Deviation  Sample Variance  667.47  6750.28  42,141.11  137,424.94  142,682.56  4.21  16.16  337,504.80  5.12  Kurtosis −0.13 −0.19  4.17 −1.13 −0.32  0.61  2.23  10.55  1.07  Skewness −0.01  0.43 −1.82  0.30  0.51  1.36  0.08 −3.45  0.06  Range  153.40  442.00  1010.00  1448.25  1726.00  7.80  22.00  2661.00  10.90  Buildings 2021, 11, 324  4  of  18  Minimum  117.60  158.00  0.00  0.00  52.00  0.00  10.00  0.00  0.00  Maximum  271.00  600.00  1010.00  1448.25  1778.00  7.80  32.00  2661.00  10.90  Sum  63,510.69  133,081.00  234,568.66  136,937.02  223,853.20  455.50  6796.00  767,484.00  1652.80  Count  344.00  344.00  344.00  344.00  344.00  344.00  344.00  344.00  344.00  *FA = Fine aggregate, *NCA = Natural coarse aggregate, *SP = Superplasticizer, *SRCA = Maximum size of recycled coarse  aggregate, *DRCA = Density of recycled coarse aggregate, *WRCA = Water absorption of recycled‐coarse aggregate.               Figure 1. Histograms indicating the relative frequency distribution of the input parameters.  Buildings 2021, 11, 324  5  of  18  Figure 2. Flowchart of the research approach.  3. Methodology  Two algorithms (GEP and ANN) were introduced in the study to predict the com‐ pressive strength of RAC. Spyder 4.1.1 was selected in the Anaconda navigator to run the  model for the artificial neural network (ANN) using python coding. However, the GEP,  which is the computer‐based software, was adopted for modeling to give a predicted com‐ pressive result for the concrete containing recycled coarse aggregate. The GEP and ANN  used nine parameters as input and one parameter (compressive strength) as the output  during the modeling. The predicted outcome from both models presented the correlation  2 2 coefficient (R ) value, which is an indication of the accuracy level. The R  value normally  ranges from 0–10, and a higher R  value indicates a high accuracy between the actual and  predicted result. Gene expression programming is from the family of evolutionary algo‐ rithms and is generally associated with genetic programming. GEP being from the evolu‐ tionary algorithms, can design computer programs and models. Computer programming  is considered as a composite tree‐like structure that learns and alters by substituting their  shapes, compositions, and sizes similar to living organisms. The GEP computer program  is included in simple linear chromosomes of fixed length. GEP consists of five compo‐ nents: terminal set, function set, controlee variable, fitness function, and terminate condi‐ tion. Ferreira presents GEP in 2006, which is a modified form of genetic programming  (GP) and depends on the population evolutionary theorem. An exceptional tempering in  GEP was that the single gene must be transferred to another generation and has no need  to reproduce and mutate the complete structure since every alteration takes place in a  linear and simple structure. Each gene in GEP contains a fixed‐length variable having ter‐ minal sets and arithmetic operations as a set of functions. GEP makes it possible to learn  the complex data in the form of input and gives the resulting output in a simple and easy  manner. An artificial neural network (ANN) is generally a segment of a computing system  that is designed in such a way that it can simulate just like the human brain and inspect  and  execute a  set  of  information.  ANN is the  foundation  of artificial  intelligence  (AI),  which can resolve problems that would seem difficult or impossible for a human. It is also  comprised of self‐learning potential, which permits them to generate better results. ANN  is designed like a human brain having neuron nodes interrelated just like a web. The brain  consists of hundreds of billions of cells known as neurons. Every neuron is prepared with  Buildings 2021, 11, 324  6  of  18  a cell body that is accountable for executing the information by taking information to‐ wards and away from the brain. The application of ANN is reflected in every industry  and field to predict required outcomes.  4.. Results and Their Analyses  4.1. Statistical Analysis  The statistical analysis representation between the actual and predicted outcomes  (for compressive strength of RCA‐based concrete) from the GEP and ANN models along  their error distribution can be seen in Figure 3. The GEP gives high accuracy and less  variance between the actual and predicted output. The coefficient correlation (R ) value  equals 0.95 and is an indication of its high performance towards the prediction of the re‐ sult, as shown in Figure 3a. The scattering of errors for the GEP model is also illustrated  in Figure 3b. The error distribution in Figure 3b represents that the maximum, minimum,  and average values of the training set were 22.37 MPa, 0.00 MPa, and 1.84 MPa, respec‐ tively. However, 21.73% of the error data lies below 1 MPa, and 22.96% of the data repre‐ sented the errors between 2 MPa and 5 MPa. However, only 6.97% of the data lies above  the 5 MPa.  The result of the ANN model is also in the acceptable range with less variance as  opposed to the GEP model’s result. The relationship between the actual and predicted  result from the ANN model with the value of R  equal to 0.92 can be seen in Figure 3c.  The distribution of the errors for the ANN model can be seen in Figure 3d. Figure 3d gives  the information of the training set of the ANN model, indicating maximum and minimum  values of 21.44 MPa and 0.1 MPa, respectively, while giving an average value of 2.72 MPa.  In addition, 21.73% of error data lies below 1 MPa, and 36.23% of data lies between 2 MPa  and 5 MPa. However, only 7.24% of the error data indicated above the 5 MPa.  Targets Predictions Errors y = 0.9385x + 3.2378 (a) R² = 0.9544 (b) 80 80 -20 0 20406080 100 120 0 50 100 150 200 250 300 350 Targets (MPa) Data Set    Targets Predictions Errors y = 0.9437x + 3.4573 (c) R² = 0.925 100 100 (d) -20 0 20 40 60 80 100 120 0 10 20 3040506070 Data Set Targets (MPa)    Figure 3. Numerical analysis results illustrating the relationship among the actual and predicted outcomes and reflection  of errors distribution of the models. ANN (a,b); GEP (c,d).  Predictions (MPa) Predictions (MPa) Compressive strength (MPa) Compressive strength (MPa) Buildings 2021, 11, 324  7  of  18  4.2. K‐Fold Cross‐Validation  The authenticity of the model’s execution was analyzed through the k‐fold cross‐val‐ idation method. To examine the model’s validity, the k‐fold cross‐validation process is  normally adopted, in which the required data has been arranged randomly and divided  into ten groups. The nine groups need to be allocated for training and the remaining one  for the model’s validation. The procedure also needs repetition (ten times) to have an av‐ erage output. This detailed process of the k‐fold cross‐validation results in the high accu‐ racy of the models. In addition, the statistical checks in the form of the error’s (MSE, MAE,  and RMSE) evaluation have also been carried out, as illustrated in Table 2. The response  of the models towards the prediction was also checked through the statistical analysis,  illustrated in the form of the equations stated below. (Equations (1)–(5))  𝑚𝑜 (1) ∑ |𝑒𝑥 𝑚𝑜 | (2) 𝐸   ∑ 𝑚𝑜 𝑒𝑥   (3) 𝑥 𝑒𝑥 1 ∑ 𝑚𝑜 (4) 𝑒 𝑛 ∑ 𝑒𝑥 𝑒𝑥 𝑚𝑜 𝑅   (5) ∑ ∑ 𝑒𝑥 𝑒𝑥 𝑚𝑜 𝑚𝑜 where,   𝑒𝑥   = experimental value,  𝑚𝑜   = predicted value,  𝑒𝑥   = mean experimental value,  𝑚𝑜   = mean predicted value obtained by the model,  n = number of samples.  The resulting evaluation of the k‐fold cross‐validation comprised of four parameters,  including the coefficient correlation (R ), mean absolute error (MAE), mean square error  (MSE), and root mean square error (RMSE), and their distribution can be seen in Figure 4.  The lesser error of the GEP model with a high value of R  indicates the better performer  for prediction of outcome. The maximum, minimum, and average values of R  for the GEP  model were equal to 0.77, 0.00, and 0.49, respectively, as shown in Figure 4a. Similarly,  the same values of R  for the ANN model were 2.05, 0.00, and 0.68, as depicted in Figure  4b. However, the maximum values of the MAE, MSE, and RMSE for the GEP model were  14.37 MPa, 14.11 MPa, and 3.76 MPa, respectively, as illustrated in Figure 4a, while the  validation result for the ANN model gave maximum values of MAE, MSE, and RMSE as  16.80 MPa, 20.89 MPa, and 4.57 MPa, respectively, as shown in the Figure 4b. The mini‐ mum values of the errors (MAE, MSE, and RMSE) for the GEP model were 6.21 MPa, 8.17  MPa, and 2.86 MPa, as reflected in Figure 4a, while for ANN, these values were 5.86 MPa,  4.96 MPa, and 2.23 MPa, as depicted in Figure 4b. Additionally, the validation result for  the GEP and ANN models and the statistical checks for both, employing the supervised  machine learning algorithms, are illustrated in Tables 2 and 3, respectively.  𝑚𝑜 𝑅𝑅𝑀𝑆𝐸 𝑒𝑥 𝑅𝑆𝐸 𝑀𝐴 𝑅𝑀𝑆𝐸 𝑒𝑥 Buildings 2021, 11, 324  8  of  18     Figure 4. Statistical representation for the k‐fold cross‐validation process. GEP (a); ANN (b).  Table 2. Statistical checks of the GEP and ANN models.  Machine Learning Algorithms  MAE  MSE  RMSE  Gene Expression Programming (GEP)  1.84  9.3  3.05  Artificial Neural Network (ANN)  2.73  19  4.36  Table 3. Analysis of the k‐fold cross‐validation of ANN and GEP models.                ANN  GEP  2 2 K‐fold  MAE  MSE  RMSE  R   K‐Fold  MAE  MSE  RMSE  R   1  11.77  16.13  4.02  0.22  1  8.17  8.81  2.97  0.49  2  5.86  7.28  2.70  0.91  2  14.37  14.11  3.76  0.70  3  9.04  10.72  3.27  0.70  3  10.57  12.79  3.58  0.77  4  10.81  14.60  3.82  1.82  4  9.31  10.04  3.17  0.43  5  7.46  7.23  2.69  0.20  5  8.51  10.99  3.32  0.12  6  16.80  20.89  4.57  2.05  6  13.55  13.25  3.64  0.74  7  7.54  10.34  3.22  0.49  7  12.07  13.67  3.70  0.00  8  10.70  14.50  3.81  0.00  8  8.77  8.22  2.87  0.56  9  8.86  4.96  2.23  0.26  9  6.21  8.17  2.86  0.69  10  14.58  15.53  3.94  0.16  10  7.49  9.68  3.11  0.44  5. Sensitivity Analysis  This analysis refers to the effect of parameters on predicting the compressive strength  of concrete containing recycled coarse aggregate, as depicted in Figure 5. The input pa‐ rameters have a significant effect on forecasting the outcomes. The figure illustrates that  the highest contributor was the recycled coarse aggregate (RCA) at 41.1%, while the other  two main contributors were natural coarse aggregate (NCA) and water at 25% and 20%,  respectively. However, the contribution of the other variables was less, and for cement, it  showed a 3.8% contribution, fine aggregate 2.3%, superplasticizers 2.6%, the size of coarse  aggregate 1.9%, the density of RCA 2%, and water absorption showed 1.3% contribution  towards the prediction of the compressive strength of RCA‐based concrete. The following  equation was used to calculate the contribution of each variable towards the model’s out‐ put.  Buildings 2021, 11, 324  9  of  18  𝑁 𝑓 𝑥 𝑓 𝑥   (6) 𝑆   (7) ∑ 𝑁 where, 𝑓 𝑥   and 𝑓 𝑥   are the maximum and minimum of the estimated output  th over the i  output.  Figure 5. Sensitivity analysis indicates the contribution of parameters towards the prediction.  6. Discussion  This research describes the application of supervised machine learning (ML) tech‐ niques to foretell the strength property (compressive strength) of recycled coarse aggre‐ gate‐based concrete. The use of recycled aggregates in concrete is to produce effective ma‐ terial and sustainable construction works. The ML approaches used in this study were  gene expression programming (GEP) and an artificial neural network (ANN). The predic‐ tive performance of both algorithms was compared to evaluate the better predictor. The  GEP  model’s  outcome  was  more accurate  by indicating the  coefficient  correlation  (R )  value equal to 0.95 as opposed to the ANN model’s outcome which gave an R  value equal  to 0.92. The performance of both models was also confirmed from the statistical checks  and k‐fold cross‐validation method. The lesser values of the errors indicate the high per‐ formance of the employed model. Moreover, the sensitivity analysis was also carried out  to know about the contribution of each parameter towards the prediction of the compres‐ sive strength of concrete containing recycled coarse aggregate. The performance of the  models can be affected by the input parameters used to run the model and the number of  data points. The contribution level from the sensitivity analysis of all the nine input pa‐ rameters towards the forecasted result indicates the high contributor parameter.  7. Conclusions and Future Recommendations  This study describes the application of supervised machine learning approaches to  predict the compressive strength of concrete containing recycled coarse aggregate (RCA).  The gene expression programming (GEP) and artificial neural network (ANN) algorithms  were employed for forecasting the compressive strength of concrete. The GEP model was  more effective in terms of prediction as compared to the ANN model, which is confirmed  from its higher value of linear correlation coefficient (R ) and lesser values of the errors.  The following conclusions can be drawn.  Buildings 2021, 11, 324  10  of  18  The results of the GEP model indicate the high performance towards the prediction  of concrete containing recycled coarse aggregate (RCA) as opposed to the ANN model.  The results from the ANN model are also in the acceptable range and can be used for  predicting the outcomes.  The high performance of the GEP  model has also  been confirmed from statistical  checks and the k‐fold cross‐validation process.  The application of GEP and ANN was proposed in this study to predict the strength  property of concrete. The use of ML approaches can predict the strength properties with‐ out casting the samples in the laboratory. However, the use of other supervised machine  learning algorithms would give a better idea about the accuracy of the employed ML tech‐ niques.  The RCA also showed a significant effect (41.1%) towards predicting the concrete’s  compressive strength compared to other input variables.  It would be easier to understand the effect of the models by making comparisons of  more than two algorithms towards the prediction of the outcomes.  It is recommended for future research that datasets should be enhanced from exper‐ imental work, field tests, and other numerical analyses using different approaches (e.g.,  Monte–Carlo simulation).  The input parameters can also be increased by adding the environmental effects (e.g.,  high temperature and humidity) to provide a better response from the models.  The application of the other ensemble ML algorithms (e.g., Adaboost, bagging, and  boosting) can be more effective to predict the compressive strength of concrete.  Author Contributions: A.A.: conceptualization, methodology, investigation, formal analysis, mod‐ eling, visualization, and writing—original draft preparation. K.C.: funding acquisition, methodol‐ ogy,  investigation,  formal  analysis,  writing—reviewing  and  editing,  and  supervision.  F.F.:  re‐ sources, methodology, and writing—reviewing and editing. W.A.: methodology, and writing—re‐ viewing and editing. S.S.: conceptualization, methodology, and writing—reviewing and editing.  F.A.: conceptualization, methodology, and writing—reviewing and editing. All authors have read  and agreed to the published version of the manuscript.  Funding:  This  project  is  funded  by  Thammasat  University  Rangsit,  Klong  Luang  Pathumthani,  Thailand  Institutional Review Board Statement: Not applicable  Informed Consent Statement: Not applicable  Data Availability Statement: Not applicable  Acknowledgment: This study was supported by the Thammasat University Research Fund, Con‐ tract No. TUFT 59/2564.  Conflicts of Interest: The authors declare no conflict of interest.  Appendix A  Water  Cement  NCA  RCA  SRCA  DRCA  Strength  3 3 FA (kg/m )  SP (kg/m )  WRCA (%)  3 3 3 3 3 (kg/m )   (kg/m )  (kg/m )  (kg/m )  (mm)  (kg/m )  (MPa)  165  370  650  850.5  364.5  2.22  20  2400  4.9  50.6  165  370  650  607.5  607.5  2.22  20  2400  4.9  50.8  165  370  650  0  1215  2.22  20  2400  4.9  50.2  165  460  575  850.5  364.5  2.22  20  2400  4.9  60.8  165  460  575  607.5  607.5  2.22  20  2400  4.9  61.2  165  460  575  0  1215  2.22  20  2400  4.9  60.2  165  560  495  850.5  364.5  2.59  20  2400  4.9  70.2  165  560  495  607.5  607.5  2.59  20  2400  4.9  70.8  165  560  495  0  1215  2.59  20  2400  4.9  70  180  500  486.6  0  1135.4  0  16  0  0  44.5  Buildings 2021, 11, 324  11  of  18  180  500  0  0  1574.3  0  16  0  0  38.7  180  500  486.6  0  1135.4  0  16  0  0  46.1  180  500  0  0  1574.3  0  16  0  0  42.4  180  500  486.6  0  1135.4  0  16  0  0  52.5  180  500  0  0  1574.3  0  16  0  0  50.7  180  500  486.6  0  1135.4  0  16  0  0  45.2  180  500  0  0  1574.3  0  16  0  0  42  180  500  486.6  0  1135.4  0  16  0  0  49.6  180  500  0  0  1574.3  0  16  0  0  45.1  180  500  509.6  0  1135.4  0  16  0  0  54.4  180  500  0  0  1574.3  0  16  0  0  48.2  207.6  400  662  863  153  0  20  2410  5.8  38.1  207.6  400  662  697  298  0  20  2410  5.8  37  207.6  400  662  383  573  0  20  2410  5.8  35.8  207.6  400  662  0  903  0  20  2410  5.8  34.5  217  353  660  861  209  0  20  2330  6.3  44.9  229  353  647  527  513  0  20  2330  6.3  44.7  241  353  625  0  993  0  20  2330  6.3  46.8  230  353  661  853  202  0  20  2330  6.3  43.2  247  353  647  524  496  0  20  2330  6.3  39.7  271  353  625  0  959  0  20  2330  6.3  43.3  206  353  661  864  216  0  20  2330  6.3  43  207  353  649  531  531  0  20  2330  6.3  38.1  165  300  765  905  267  4.98  25  2430  4.4  42  165  318  739  608  537  6.042  25  2430  4.4  41  162  325  683  0  1123  6.175  25  2430  4.4  40  160.6  380  598  1182  52  4.9  20  2165  6.8  62.2  165.4  380  529  1175  103  4.9  20  2165  6.8  58.4  170.2  380  460  1168  154  4.9  20  2165  6.8  61.3  175.6  380  327  1162  254  4.9  20  2165  6.8  60.8  180.9  380  0  1162  509  4.9  20  2165  6.8  61  225  410  642  840  204  0  20  2570  3.5  45.3  225  410  642  524  506  0  20  2570  3.5  42.5  225  410  642  210  814  0  20  2570  3.5  39.2  225  410  642  0  1017  0  20  2570  3.5  37.1  180  400  708  886  215  0  20  2570  3.5  62.4  180  400  708  554  538  0  20  2570  3.5  55.8  180  400  708  0  1075  0  20  2570  3.5  42  225  410  642  840  204  0  20  2570  3.5  45.3  225  410  642  524  506  0  20  2570  3.5  42.5  225  410  642  0  1017  0  20  2570  3.5  38.1  234  360  705  0  1100  0  19  2390  4.4  22.1  190  380  705  0  1100  0  19  2390  4.4  25.1  192  400  705  0  1100  0  19  2390  4.4  27.2  181  420  705  0  1100  0  19  2390  4.4  28.7  184  460  705  0  1100  0  19  2390  4.4  29.5  178  264  835  0  1030  0  30  2520  3.8  18  174  262  830  0  1020  0  30  2510  3.9  15.4  148  427  760  0  1000  4.2  30  2520  3.8  36.4  153  423  755  0  990  4.1  30  2510  3.9  35.7  152  443  855  0  885  3.9  30  2520  3.8  44.4  Buildings 2021, 11, 324  12  of  18  225  410  642  840  204  0  20  2580  3.5  45.3  225  410  642  524  506  0  20  2580  3.5  42.5  225  410  642  0  1017  0  20  2580  3.5  38.1  205  410  662  865  210  0  20  2580  3.5  51.7  205  410  662  541  525  0  20  2580  3.5  47.1  205  410  662  0  1049  0  20  2580  3.5  43.4  180  400  708  886  215  5.6  20  2580  3.5  62.4  180  400  708  554  538  5.6  20  2580  3.5  56.8  180  400  708  0  1075  5.6  20  2580  3.5  52.1  160  400  729  912  221  7.8  20  2580  3.5  69.6  160  400  729  570  554  7.8  20  2580  3.5  65.3  160  400  729  0  1107  7.8  20  2580  3.5  58.5  175  350  730  711  297  1.68  25  2530  1.9  36.7  175  350  730  508  494  1.68  25  2530  1.9  38  175  350  730  0  989  1.68  25  2530  1.9  36  175  350  730  711  282  1.68  25  0  0  32.6  175  350  730  508  469  1.68  25  2400  6.2  30.4  175  350  730  0  938  1.68  25  2400  6.2  29.5  190  380  744.45  756.97  189.24  2.66  20  2338  5.2  47.4  190  380  709.54  471.13  471.12  2.66  20  2338  5.2  47.3  190  380  714.56  0  874.04  5.32  20  2338  5.2  54.8  140  350  732  519  556  4.2  12  2420  6.8  43.3  153  340  723  512  549  3.4  12  2400  6.8  39.6  165  330  715  507  543  2.64  12  2400  6.8  38.1  176  320  708  502  537  1.92  12  2400  6.8  34.5  186  310  702  497  533  1.24  12  2400  6.8  31.6  140  350  732  553  523  4.2  22  2420  8.8  46.1  153  340  723  547  517  3.4  22  2420  8.8  45.8  165  330  715  541  511  2.64  22  2420  8.8  39.9  176  320  708  535  506  1.92  22  2420  8.8  36.3  186  310  702  531  501  1.24  22  2420  8.8  34.7  186  372  617.65  1030.22  257.56  0  20  2400  0  27.2  186  372  617.65  772.67  515.55  0  20  2400  0  26.5  186  372  617.65  515.11  772.67  0  20  2400  0  25.4  186  372  617.65  257.56  1030.22  0  20  2400  0  25.1  186  372  494.12  128.78  123.53  0  20  2630  0  26.4  186  372  370.59  128.78  247.06  0  20  2630  0  25.9  186  372  247.06  128.78  370.59  0  20  2630  0  23.5  186  372  123.53  128.78  494.12  0  20  2630  0  15.4  200  270  750  675  200  1.08  19  2440  5.8  18.5  210  270  750  450  400  1.35  19  2440  5.8  18  220  270  750  225  600  1.62  19  2440  5.8  16.5  165  370  865  760  230  1.48  19  2440  5.8  33  165  370  865  505  455  1.85  19  2440  5.8  34.5  165  370  865  250  680  2.59  19  2440  5.8  34  178.5  275  938.05  723.07  180.77  1.925  16  2400  5  31.7  178.5  275  962.73  423.77  423.77  1.925  16  2400  5  32.4  178.5  275  1005.18  0  756.46  1.925  16  2400  5  30.1  190  380  794.31  750.04  187.57  2.66  16  2400  5  43.7  190  380  811.37  443.71  443.71  2.66  16  2400  5  37.5  190  380  838.29  0  807.97  2.66  16  2400  5  40.5  Buildings 2021, 11, 324  13  of  18  151  335  630  414  720  1.266  19  2420  5.4  41.4  156  349  888  0  792  1.67616  19  2420  5.4  43.9  161  358  645  281  813  1.3584  19  2500  3.3  44.8  156  349  857  0  867  1.2564  19  2500  3.3  45.9  172.43  401  574  911  303  0.2005  20  2661  1.9  47  172.43  401  574  585  585  0.70175  20  2602  2.6  46  172.43  401  574  0  1119  0.90225  20  2510  3.9  42.5  190.8  424  770  0  980  0  19  2490  4.8  41  192.5  350  800  0  1015  0  19  2490  4.8  33.3  191.75  295  814  0  1039  0  19  2490  4.8  24.8  150  250  762  858  286  4.375  19  0  0  26.7  150  250  753  564  564  4.375  19  0  0  21.5  150  250  743  279  836  4.375  19  0  0  21.4  150  250  734  0  1100  4.375  19  0  0  20  180  400  685  770  257  3  19  0  0  38.3  180  400  676  507  507  3  19  0  0  37  180  400  667  250  751  3  19  0  0  35  180  400  659  0  988  3  19  0  0  33.3  175  325  0  0  1762  3.45  32  2263  6  33.2  222  350  0  0  1778  4.5  32  2283  4.2  35.6  221  350  0  0  1771  4.5  32  2292  4.3  34.6  195  325  0  0  1710  3.25  32  2301  5  37.3  123  300  0  192  1728  3  32  2609  1.5  45.4  144  325  0  768  1152  3.25  32  2518  2.7  54.3  123  325  0  754.4  1131.6  3.25  32  2584  1.6  54.4  132  300  0  1448.25  482.75  3  32  2594  1.6  53.4  180  275  625  882  378  0  20  2340  5.3  20  180  295  595  635  635  0  20  2340  5.3  19  180  310  610  0  1240  0  20  2340  5.3  18  180  330  585  872  373  0  20  2340  5.3  23  180  355  560  623  623  0  20  2340  5.3  24  180  372  536  0  1252  0  20  2340  5.3  21  180  355  560  872  373  0  20  2340  5.3  25  180  385  550  613  613  0  20  2340  5.3  29  180  409  525  0  1226  0  20  2340  5.3  30  180  375  544  869  372  0  20  2340  5.3  39  180  405  508  624  624  0  20  2340  5.3  31  180  426  494  0  1241  0  20  2340  5.3  34  193  350  661  1061  57  0  12  2010  10.9  40  194  350  515  1061  170  0  12  2010  10.9  38.6  196  350  368  1061  283  0  12  2010  10.9  37.6  199  158  0  1061  566  0  12  2010  10.9  38.6  158  350  693  1111  59  3.5  12  2010  10.9  53.7  163  350  536  1105  177  3.5  12  2010  10.9  51  168  350  381  1100  294  3.5  12  2010  10.9  47.8  178  350  0  1089  582  3.5  12  2010  10.9  45.1  137  350  713  1143  61  3.5  12  2010  10.9  64.6  139  350  555  1143  183  3.5  12  2010  10.9  65.4  143  350  395  1138  304  3.5  12  2010  10.9  63.2  150  350  0  1132  605  3.5  12  2010  10.9  63  180  281  802  0  970  0  10  2360  4.7  38.6  Buildings 2021, 11, 324  14  of  18  170  293  648  0  919  0  10  2280  6.2  38.1  165  337  841  0  879  0  10  2220  7.8  39.3  190  463  621  0  970  0  10  2360  4.7  60.1  190  500  621  0  919  3.24  10  2280  6.2  60.2  180  600  567  0  879  5.04  10  2220  7.8  62.8  220  537  693  782  138  0  20  2330  4.4  50.8  220  537  693  644  276  0  20  2330  4.4  44.9  220  537  693  506  414  0  20  2330  4.4  44.6  220  537  693  368  552  0  20  2330  4.4  42.4  220  537  693  782  138  0  20  2370  4  54  220  537  693  644  276  0  20  2370  4  56  220  537  693  506  414  0  20  2370  4  54.4  220  537  693  368  552  0  20  2370  4  40.6  220  537  693  782  138  0  20  2390  3.6  55.2  220  537  693  644  276  0  20  2390  3.6  53.5  220  537  693  506  414  0  20  2390  3.6  56.9  220  537  693  368  552  0  20  2390  3.6  54.7  220  537  693  782  138  0  20  2320  4.6  50.5  220  537  693  644  276  0  20  2320  4.6  48.9  220  537  693  506  414  0  20  2320  4.6  45.8  220  537  693  368  552  0  20  2320  4.6  40  220  537  693  782  138  0  20  2390  3.7  54.4  220  537  693  644  276  0  20  2390  3.7  50.2  220  537  693  506  414  0  20  2390  3.7  49.5  220  537  693  368  552  0  20  2390  3.7  40.4  220  537  693  782  138  0  20  2390  3.5  45  220  537  693  644  276  0  20  2390  3.5  46.9  220  537  693  506  414  0  20  2390  3.5  51.4  220  537  693  368  552  0  20  2390  3.5  53.2  220  537  693  782  138  0  20  2380  3.8  55.3  220  537  693  644  276  0  20  2380  3.8  55.9  220  537  693  506  414  0  20  2380  3.8  52.6  220  537  693  368  552  0  20  2380  3.8  48  220  537  693  782  138  0  20  2380  3.8  49.1  220  537  693  644  276  0  20  2380  3.8  49.9  220  537  693  506  414  0  20  2380  3.8  50.3  220  537  693  368  552  0  20  2380  3.8  47.5  220  537  693  782  138  0  20  2400  3.5  43.2  220  537  693  644  276  0  20  2400  3.5  53.7  220  537  693  506  414  0  20  2400  3.5  50  220  537  693  368  552  0  20  2400  3.5  43.3  220  537  693  782  138  0  20  2370  4  52.9  220  537  693  644  276  0  20  2370  4  49.9  220  537  693  506  414  0  20  2370  4  53.7  220  537  693  368  552  0  20  2370  4  46  206  413  606  0  987  0  25  2452  4.1  51  206  413  606  0  987  0  25  2452  4.1  49  206  413  606  0  987  0  25  2452  4.1  48  206  413  606  537  494  0  25  2452  4.1  51  206  413  606  537  494  0  25  2452  4.1  51  206  413  606  537  494  0  25  2452  4.1  51  Buildings 2021, 11, 324  15  of  18  206  413  606  805  245  0  25  2452  4.1  52  206  413  606  805  245  0  25  2452  4.1  50  206  413  606  805  245  0  25  2452  4.1  49  145.6  520  577.2  0  1040  0  25  2260  7.5  38.3  145.6  520  577.2  0  1040  0  25  2260  7.5  32.9  119.6  520  577.2  0  1040  0  25  2260  7.5  33.2  146.2  430  653.6  0  1032  0  25  2260  7.5  31.3  146.2  430  653.6  0  1032  0  25  2260  7.5  28.4  120.4  430  653.6  0  1032  0  25  2260  7.5  28  145.77  339  728.85  0  1050.9  0  25  2260  7.5  26.5  145.77  339  728.85  0  1050.9  0  25  2260  7.5  23.3  118.65  339  728.85  0  1050.9  0  25  2260  7.5  21.6  144.06  294  767.34  0  1029  0  25  2260  7.5  21.6  144.06  294  767.34  0  1029  0  25  2260  7.5  18  117.6  294  767.34  0  1029  0  25  2260  7.5  18.8  146.91  249  804.27  0  1045.8  0  25  2260  7.5  16.1  146.91  249  804.27  0  1045.8  0  25  2260  7.5  13.4  119.52  249  804.27  0  1045.8  0  25  2260  7.5  13.9  179  275  878  735  184  0  20  2320  5.3  41  179  275  849  455  455  0  20  2320  5.3  44  179  275  868  0  830  0  20  2320  5.3  45  190  380  744  757  189  0  20  2320  5.3  50.5  190  380  710  471  471  0  20  2320  5.3  45  190  380  715  0  874  0  20  2320  5.3  56  179  275  961  740  185  0  20  2320  5.3  33.5  179  275  978  408  408  0  20  2320  5.3  32  179  275  1010  0  640  0  20  2320  5.3  32  190  380  813  767  192  0  20  2320  5.3  44  190  380  822  426  427  0  20  2320  5.3  41  190  380  836  0  683  0  20  2320  5.3  41.5  179  325  799  839  210  0  20  2320  5.3  44  179  325  831  490  490  0  20  2320  5.3  41  179  325  825  0  923  0  20  2320  5.3  33.5  173  385  698  892  223  0  20  2320  5.3  53.5  173  385  742  515  515  0  20  2320  5.3  54  173  385  746  0  963  0  20  2320  5.3  40  159.6  380  862.4  489.3  489.3  5.7  20  2330  6.1  41.6  193.8  380  934.1  0  867.7  6.46  20  2330  6.1  31.4  197.6  380  862.4  489.3  489.3  5.7  20  2330  6.1  35.5  231.8  380  934.1  0  867.7  6.46  20  2330  6.1  26  167.2  380  862.4  489.3  489.3  5.7  20  2320  5.8  44.6  193.8  380  934.1  0  867.7  6.46  20  2320  5.8  36.7  235.6  380  934.1  0  867.7  6.46  20  2320  5.8  29.5  155.8  380  818.5  840.9  210.2  4.56  20  2360  3.9  46.1  159.6  380  862.4  489.3  489.3  5.7  20  2360  3.9  45.1  171  380  934.1  0  867.7  6.46  20  2360  3.9  42.9  190  380  818.5  840.9  210.2  4.56  20  2360  3.9  39.3  197.6  380  862.4  489.3  489.3  5.7  20  2360  3.9  39.5  205.2  380  934.1  0  867.7  6.46  20  2360  3.9  37.7  159.6  380  818.5  840.9  210.2  4.56  20  2350  4.5  48.1  163.4  380  862.4  489.3  489.3  5.7  20  2350  4.5  41  Buildings 2021, 11, 324  16  of  18  152  380  934.1  0  867.7  6.46  20  2350  4.5  38.7  193.8  380  818.5  840.9  210.2  4.56  20  2350  4.5  42.7  197.6  380  862.4  489.3  489.3  5.7  20  2350  4.5  35.4  190  380  934.1  0  867.7  6.46  20  2350  4.5  31.4  159.6  380  818.5  840.9  210.2  4.56  20  2350  4.7  48.5  159.6  380  862.4  489.3  489.3  5.7  20  2350  4.7  45.4  163.4  380  934.1  0  867.7  6.46  20  2350  4.7  37  197.6  380  818.5  840.9  210.2  4.56  20  2350  4.7  41.3  197.6  380  862.4  489.3  489.3  5.7  20  2350  4.7  36.8  212.8  380  934.1  0  867.7  6.46  20  2350  4.7  31.2  159.8  340  556  1020  238  0  20  2336  3.6  50  159.8  340  556  638  596  0  20  2315  3.6  45.3  159.8  340  556  319  894  0  20  2295  3.6  44  137.1  380  927  869.2  202  0  10  2470  3.7  108  146.5  380  927  543.2  505.1  0  10  2470  3.7  104.8  162.3  380  927  0  1010.2  0  10  2470  3.7  108.5  138.2  380  927  869.2  195  0  10  2390  4.9  102.5  149.8  380  927  543.2  487.5  0  10  2390  4.9  103.1  170.4  380  927  0  975.1  0  10  2390  4.9  100.8  139.7  380  927  869.2  187.8  0  10  2300  5.9  104.3  153.1  380  927  543.4  469.4  0  10  2300  5.9  96.8  175  380  927  0  938.8  0  10  2300  5.9  91.2  185.4  309  864  848  211  1.0197  16  2380  6.9  42.9  191.7  320  817.5  538  538  1.056  16  2380  6.9  42.5  201.6  336  785  0  1060  1.1088  16  2380  6.9  40.9  192.5  386  829  808  202  2.0458  16  2380  6.9  51.6  200  399  795  504  504  2.1147  16  2380  6.9  51.6  210  420  738  0  1014  2.226  16  2380  6.9  50.3  205  300  697  0  1075  0  20  2450  3.1  35  205  300  697  0  1027  0  20  2370  7.1  29.2  205  300  697  0  1027  0  20  2360  7.8  27.7  180  350  706  0  1089  0  20  2450  3.1  47.6  180  350  706  0  1041  0  20  2370  7.1  42  180  350  706  0  1041  0  20  2360  7.8  42.9  185  425  696  0  1028  0  20  2450  3.1  60  185  425  696  0  982  0  20  2370  7.1  53.7  185  425  696  0  982  0  20  2360  7.8  53.2  165  485  685  0  1039  0  20  2450  3.1  78.2  165  485  685  0  979  0  20  2370  7.1  71.2  165  485  685  0  982  0  20  2360  7.8  65.4  178.3  358  730.4  783.6  299.3  0.3  19  2570  2.7  33.6  178.3  358  730.4  458.3  598.4  0.3  19  2570  2.7  30.4  178.3  358  730.4  0  1020  0.3  19  2570  2.7  29.1  195  300  787.1  756.4  189.1  0  20  2300  5.2  39.5  195  300  737.4  485.5  485.5  0  20  2300  5.2  40.8  195  300  712.6  0  951.4  0  20  2300  5.2  43.7  195  300  814.4  733  183.2  0  20  2300  5.5  41  195  300  804.2  450.7  450.7  0  20  2300  5.5  38.8  195  300  807.9  0  855.2  0  20  2300  5.5  39.9  214.2  210  929  0  966  0  22  2451  7.8  19.7  196  280  866  0  940  0  22  2387  6.9  35.7  Buildings 2021, 11, 324  17  of  18  161  350  858  0  974  3.5  22  2362  4.2  66.8  212.1  210  932  0  970  0  22  2456  7.5  21.8  193.2  280  870  0  970  0  22  2455  6.4  36.1  157.5  350  858  0  1029  3.5  22  2496  4.2  68.5  207.9  210  938  0  953  0  22  2401  7.6  21  187.6  280  877  0  988  0  22  2484  5.4  41.1  150.5  350  868  0  982  3.5  22  2363  3.6  70.2  205.8  210  943  0  977  0  22  2447  6.9  23.6  190.4  280  873  0  962  0  22  2458  5.8  39.7  157.5  350  858  0  1016  3.5  22  2464  3.9  66.5  179  275  878  735  184  0  19  2320  5.3  49.3  179  275  849  455  455  0  19  2320  5.3  47.5  179  275  868  0  830  0  19  2320  5.3  53.7  190  380  714  757  189  0  19  2320  5.3  64.8  190  380  710  471  471  0  19  2320  5.3  63.5  190  380  715  0  874  0  19  2320  5.3  65.1  179  275  961  740  185  0  19  2320  5.3  64.8  179  275  978  408  408  0  19  2320  5.3  63.5  179  275  1010  0  640  0  19  2320  5.3  65.1  190  380  813  767  192  0  19  2320  5.3  54.9  190  380  822  426  427  0  19  2320  5.3  51.5  190  380  836  0  683  0  19  2320  5.3  50.3  179  325  799  839  210  0  19  2320  5.3  56.5  179  325  831  490  490  0  19  2320  5.3  48.9  179  325  825  0  923  0  19  2320  5.3  43.1  173  385  698  892  233  0  19  2320  5.3  67.4  173  385  742  515  515  0  19  2320  5.3  61.2                   173  385  746  0  963  0  19  2320  5.3  53.7  References  1. Cachim,  P.B.  Mechanical  properties  of  brick  aggregate  concrete.  Constr.  Build.  Mater.  2009,  23,  1292–1297,  doi:10.1016/j.conbuildmat.2008.07.023.  2. Kumar  Mehta,  P.  Point  of  view:  Reflections  about  technology  choices.  Concr.  Int.  1970,  69–76.  Available  online:  http://maquinamole.net/EcoSmartConcrete.com/docs/trmehta99.pdf (accessed on 17 June 2021).  3. Mikulčić,  H.;  Klemeš,  J.J.;  Vujanović,  M.;  Urbaniec,  K.;  Duić,  N.  Reducing  greenhouse  gasses  emissions  by  fostering  the  deployment of alternative raw materials and energy sources in the cleaner cement manufacturing process. J. Clean. Prod. 2016,  136, 119–132, doi:10.1016/j.jclepro.2016.04.145.  4. Naik, T.R. Sustainability of Concrete Construction. Pract. Period. Struct. Des. Constr. 2008, 13, 98–103, doi:10.1061/(asce)1084‐ 0680(2008)13:2(98).  5. Barreto  Santos,  M.;  de  Brito,  J.;  Santos  Silva,  A.;  Hawreen,  A.  Effect  of  the  source  concrete  with  ASR  degradation  on  the  mechanical  and  physical  properties  of  coarse  recycled  aggregate.  Cem.  Concr.  Compos.  2020,  111,  103621,  doi:10.1016/j.cemconcomp.2020.103621.  6. Lehmann, S. Optimizing urban material flows and waste streams in urban development through principles of zero waste and  sustainable consumption. Sustainability 2011, 3, 155–183, doi:10.3390/su3010155.  7. Massari, S.; Ruberti, M. Rare earth elements as critical raw materials: Focus on international markets and future strategies.  Resour. Policy 2013, 38, 36–43, doi:10.1016/j.resourpol.2012.07.001.  8. Northey,  S.A.;  Mudd,  G.M.;  Werner,  T.T.  Unresolved  Complexity  in  Assessments  of  Mineral  Resource  Depletion  and  Availability. Nat. Resour. Res. 2018, 27, 241–255, doi:10.1007/s11053‐017‐9352‐5.  9. Safiuddin, M.; Jumaat, M.Z.; Salam, M.A.; Islam, M.S.; Hashim, R. Utilization of solid wastes in construction materials. Int. J.  Phys. Sci. 2010, 5, 1952–1963, doi:10.5897/IJPS.9000617.  10. Maghool, F.; Arulrajah, A.; Du, Y.J.; Horpibulsuk, S.; Chinkulkijniwat, A. Environmental impacts of utilizing waste steel slag  aggregates as recycled road construction materials. Clean Technol. Environ. Policy 2017, 19, 949–958, doi:10.1007/s10098‐016‐1289‐ 6.  Buildings 2021, 11, 324  18  of  18  11. Marie,  I.;  Quiasrawi,  H.  Closed‐loop  recycling  of  recycled  concrete  aggregates.  J.  Clean.  Prod.  2012,  37,  243–248,  doi:10.1016/j.jclepro.2012.07.020.  12. Al‐Ali,  A.Y.  Assessment  of  recycled  aggregate  structural  suitability  for  road  construction.  In  Proceedings  of  the  First  International Conference and Exhibition on Quality Control and Quality Assurance of Construction Materials, Dubai, United  Arab  Emirates,  2001.  Available  online:  https://scholarworks.uaeu.ac.ae/all_thesesTheses.383.https://scholarworks.uaeu.ac.ae/all_theses/383 (accessed on 17 June 2021).  13. Li, J. Study on mechanical behavior of recycled aggregate concrete. Shanghai, Tongji University. Thesis, Master of Engineering,  October 2004.  14. Vázquez, E. Recycled concrete. In Progress of Recycling in the Built Environment; RILEM State‐of‐the‐Art Reports; Springer: Berlin,  Germany, 2013; pp. 175–194, doi:10.1007/978‐94‐007‐4908‐5_4.  15. Buck, A.D. Recycled concrete as a source of aggregate. J. Am. Concr. Inst. 1977, 74, 212–219, doi:10.14359/11004.  16. Khan, M.; Ali, M. Use of glass and nylon fibers in concrete for controlling early age micro cracking in bridge decks. Constr. Build.  Mater. 2016, 125, 800–808, doi:10.1016/j.conbuildmat.2016.08.111.  17. Arshad, S.; Sharif, M.B.; Irfan‐ul‐Hassan, M.; Khan, M.; Zhang, J.L. Efficiency of Supplementary Cementitious Materials and  Natural Fiber on Mechanical Performance of Concrete. Arab. J. Sci. Eng. 2020, 45, 8577–8589, doi:10.1007/s13369‐020‐04769‐z.  18. Khan, M.; Cao, M.; Ali, M. Effect of basalt fibers on mechanical properties of calcium carbonate whisker‐steel fiber reinforced  concrete. Constr. Build. Mater. 2018, 192, 742–753, doi:10.1016/j.conbuildmat.2018.10.159.  19. Cao, Y.F.; Tao, Z.; Pan, Z.; Wuhrer, R. Effect of calcium aluminate cement on geopolymer concrete cured at ambient temperature.  Constr. Build. Mater. 2018, 191, 242–252, doi:10.1016/j.conbuildmat.2018.09.204.  20. Tabsh, S.W.; Abdelfatah, A.S. Influence of recycled concrete aggregates on strength properties of concrete. Constr. Build. Mater.  2009, 23, 1163–1167, doi:10.1016/j.conbuildmat.2008.06.007.  21. Li, X. Recycling and reuse of waste concrete in China. Part I. Material behaviour of recycled aggregate concrete. Resour. Conserv.  Recycl. 2008, 53, 36–44, doi:10.1016/j.resconrec.2008.09.006.  22. Xiao J.Z.; Lan, Y. Investigation on the tensile behavior of recycled aggregate concrete. Jianzhu Cailiao Xuebao. J. Build. Mater.  2006, 9, 154‐8.  23. Rahal,  K.  Mechanical  properties  of  concrete  with  recycled  coarse  aggregate.  Build.  Environ.  2007,  42,  407–415,  doi:10.1016/j.buildenv.2005.07.033.  24. Xiao, J.Z.; Li, J.B. Study on relationships between strength indexes of recycled concrete. Jianzhu Cailiao Xuebao/J. Build. Mater.  2005,  8,  197–201.  Available  online:  https://en.cnki.com.cn/Article_en/CJFDTotal‐JZCX20050200H.htm  (accessed  on  17  June  2021).  25. Khatib,  J.M.  Properties  of  concrete  incorporating  fine  recycled  aggregate.  Cem.  Concr.  Res.  2005,  35,  763–769,  doi:10.1016/j.cemconres.2004.06.017.  26. Chen,  H.J.;  Yen,  T.;  Chen,  K.H.  Use  of  building  rubbles  as  recycled  aggregates.  Cem.  Concr.  Res.  2003,  33,  125–132,  doi:10.1016/S0008‐8846(02)00938‐9.  27. Tam, V.W.Y.; Tam, C.M.; Wang, Y. Optimization on proportion for recycled aggregate in concrete using two‐stage mixing  approach. Constr. Build. Mater. 2007, 21, 1928–1939, doi:10.1016/j.conbuildmat.2006.05.040.  28. Padmini, A.K.; Ramamurthy, K.; Mathews, M.S. Influence of parent concrete on the properties of recycled aggregate concrete.  Constr. Build. Mater. 2009, 23, 829–836, doi:10.1016/j.conbuildmat.2008.03.006.  29. Tüfekçi, M.M.; Çakır, Ö. An Investigation on Mechanical and Physical Properties of Recycled Coarse Aggregate (RCA) Concrete  with GGBFS. Int. J. Civ. Eng. 2017, 15, 549–563, doi:10.1007/s40999‐017‐0167‐x.  30. Etxeberria, M.; Vázquez, E.; Marí, A.; Barra, M. Influence of amount of recycled coarse aggregates and production process on  properties of recycled aggregate concrete. Cem. Concr. Res. 2007, 37, 735–742, doi:10.1016/j.cemconres.2007.02.002.  31. Ahmad, A.; Farooq, F.; Niewiadomski, P.; Ostrowski, K.; Akbar, A.; Aslam, F.; Alyousef, R. Prediction of compressive strength  of fly ash based concrete using individual and ensemble algorithm. Materials 2021, 14, 794, doi:10.3390/ma14040794.  32. Su, M.; Zhong, Q.; Peng, H.; Li, S. Selected machine learning approaches for predicting the interfacial bond strength between  FRPs and concrete. Constr. Build. Mater. 2021, 270, 121456, doi:10.1016/j.conbuildmat.2020.121456.  33. Nguyen, K.T.; Nguyen, Q.D.; Le, T.A.; Shin, J.; Lee, K. Analyzing the compressive strength of green fly ash based geopolymer  concrete  using  experiment  and  machine  learning  approaches.  Constr.  Build.  Mater.  2020,  247,  118581,  doi:10.1016/j.conbuildmat.2020.118581.  34. Ahmad, A.; Farooq, F.; Ostrowski, K.A.; Śliwa‐Wieczorek, K.; Czarnecki, S. Application of novel machine learning techniques  for  predicting  the  surface  chloride  concentration  in  concrete  containing  waste  material.  Materials  2021,  14,  2297,  doi:10.3390/ma14092297. 

Journal

Buildings – Multidisciplinary Digital Publishing Institute

Published: Jul 27, 2021

Keywords: recycled coarse aggregate; cement; concrete; gene expression programming; artificial neural network; machine learning

There are no references for this article.