انجمن علمی مهندسی و مدیریت پسماند ایران اکولوژی انسانی 3041-9255 مقالات آماده انتشار 2026 07 24 Systematic review of hybrid soft computing and genetic algorithm models for predicting the performance of advanced concretes such as self-compacting concrete and high-performance concrete مرور نظام‌مند مدل‌های ترکیبی محاسبات نرم و الگوریتم ژنتیک برای پیش‌بینی عملکرد بتن‌های پیشرفته مانند بتن خودتراکم و بتن با عملکرد بالا 247845 10.22034/he.2026.587560.1235 FA مهدی فضیلتی گروه ﻣﻬﻨﺪسیﻋﻤﺮان و مرکز تحقیقات توسعه پایدار در مهندسی عمران، واﺣﺪ ﻧﺠﻒ آباد، داﻧﺸگاه آزاد اﺳﻼﻣﯽ، ﻧﺠﻒ آﺑﺎد، ایران. 0000-0003-0984-0906 ارشاد محمودآبادی دانشجوی دکترای مهندسی عمران - مدیریت ساخت، واحد نجف آباد، دانشگاه آزاد اسلامی، نجف آباد، ایران 0009-0008-5922-1939 Journal Article 2026 06 19 This study presents a systematic review and critical analysis of hybrid models integrating soft computing techniques and metaheuristic optimization algorithms for predicting the properties and performance of advanced concrete, including High-Performance Concrete (HPC) and Self-Compacting Concrete (SCC). Particular emphasis is placed on the role of Genetic Algorithms (GA) and other metaheuristic optimization methods in enhancing the accuracy, robustness, and generalization capability of predictive models. The research was conducted following the PRISMA 2020 guidelines, and a comprehensive literature search was performed across Scopus, Web of Science, Google Scholar, and relevant national databases. After identification, screening, and quality assessment procedures, 33 eligible studies were included in the final analysis. To evaluate and compare model performance, the coefficient of determination (R²) and root mean square error (RMSE) were extracted and statistically analyzed using ANOVA and Tukey's post hoc tests. The findings indicate that integrating metaheuristic optimization algorithms with machine learning and artificial intelligence techniques significantly improves the predictive accuracy of concrete mechanical and behavioral properties while enhancing the capability of models to capture complex, nonlinear, and multivariate relationships. Among the reviewed approaches, emerging hybrid frameworks such as AVOA–Elman and XGBoost–NGO demonstrated superior performance in terms of prediction accuracy and model stability. The results further reveal that evaluating predictive models solely based on accuracy metrics is insufficient. Additional criteria, including interpretability, generalizability, computational complexity, and practical applicability, should also be considered in model selection. In this context, the distinction between black-box models and interpretable models emerges as a critical challenge in the development of intelligent prediction systems for concrete engineering. The findings also suggest that intelligent models generally exhibit better predictive performance for self-compacting concrete than for conventional concrete mixtures. Furthermore, the observed positive relationship between the volume and quality of training data and model accuracy highlights the necessity of developing comprehensive, standardized, and shareable databases within the field of concrete engineering. Overall, this study provides a comprehensive overview of recent advances in intelligent modeling for concrete technology and emphasizes the importance of reliable experimental data collection, the establishment of collaborative benchmark databases, and the development of interpretable and trustworthy artificial intelligence models as key priorities for future research. این پژوهش با هدف مرور نظام‌مند و تحلیل انتقادی مدل‌های ترکیبی مبتنی بر محاسبات نرم و الگوریتم‌های فراکاوشی در پیش‌بینی خواص و عملکرد بتن‌های پیشرفته، شامل بتن‌های با عملکرد بالا (HPC) و بتن‌های خودتراکم (SCC)، انجام شده است. تمرکز ویژه مطالعه بر نقش الگوریتم ژنتیک (GA) و سایر الگوریتم‌های بهینه‌سازی فراابتکاری در ارتقای دقت، پایداری و قابلیت تعمیم مدل‌های پیش‌بینی است. فرآیند پژوهش بر اساس دستورالعمل PRISMA 2020 طراحی شد و جستجوی نظام‌مند منابع در پایگاه‌های Scopus، Web of Science، Google Scholar و منابع علمی داخلی صورت گرفت. پس از مراحل شناسایی، غربالگری و ارزیابی کیفیت، 33 مطالعه واجد شرایط وارد تحلیل نهایی شدند. به‌منظور مقایسه عملکرد مدل‌ها، شاخص‌های آماری ضریب تعیین (R²) و ریشه میانگین مربعات خطا (RMSE) استخراج و با استفاده از آزمون‌های آماری ANOVA و Tukey تحلیل شدند. نتایج نشان داد که ادغام الگوریتم‌های فراابتکاری با روش‌های یادگیری ماشین و هوش مصنوعی به‌طور معناداری دقت پیش‌بینی خواص مکانیکی و رفتاری بتن را افزایش داده و توانایی مدل‌ها را در شناسایی روابط پیچیده، غیرخطی و چندمتغیره بهبود می‌بخشد. در میان مدل‌های بررسی‌شده، ساختارهای هیبریدی نوظهور نظیر AVOA-Elman و XGBoost-NGO عملکردی برتر از نظر دقت و پایداری پیش‌بینی ارائه کرده‌اند. یافته‌های این مطالعه همچنین نشان می‌دهد که ارزیابی مدل‌ها صرفاً بر مبنای شاخص‌های دقت کافی نبوده و معیارهایی نظیر تفسیرپذیری، قابلیت تعمیم، پیچیدگی محاسباتی و کاربردپذیری عملی نیز باید در انتخاب مدل لحاظ شوند. در این راستا، تفاوت میان مدل‌های جعبه‌سیاه و مدل‌های تفسیرپذیر به‌عنوان یکی از چالش‌های اصلی توسعه سامانه‌های هوشمند پیش‌بینی در مهندسی بتن مورد تأکید قرار گرفته است. نتایج همچنین حاکی از آن است که مدل‌های هوشمند در پیش‌بینی خواص بتن‌های خودتراکم عملکرد مطلوب‌تری نسبت به بتن‌های متعارف از خود نشان می‌دهند. علاوه بر این، وجود رابطه مثبت و معنادار میان حجم و کیفیت داده‌های آموزشی با دقت مدل‌ها، ضرورت توسعه پایگاه‌های داده استاندارد، جامع و قابل اشتراک‌گذاری را در حوزه مهندسی بتن آشکار می‌سازد. در مجموع، این پژوهش ضمن ارائه تصویری جامع از روندهای نوین مدل‌سازی هوشمند در فناوری بتن، بر اهمیت گردآوری داده‌های آزمایشگاهی معتبر، توسعه بانک‌های اطلاعاتی مشترک و حرکت به سوی مدل‌های هوش مصنوعی تفسیرپذیر و قابل اعتماد به‌عنوان اولویت‌های اصلی تحقیقات آینده تأکید می‌کند