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

Articles in Press

Document Type : Original Article

Authors
Mehdey Fazilati 1
Ershad Mahmoudabadi 2
1 Department of Civil Engineering and Sustainable Development in Civil Engineering Research Center, Na.C., Islamic Azad University, Najafabad, Iran
2 P.h.D Candidate in Civil Engineering- Construction Management, NA.C., Islamic Azad University, Najafabad, Iran.
10.22034/he.2026.587560.1235
Abstract
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.
Keywords
Advanced Concrete
Self-Compacting Concrete
High Performance Concrete
Genetic Algorithm
Soft Computing
Subjects
1.     اسدیان، ا. (۱۴۰۴). استفاده از الگوریتم ژنتیک در بهینه سازی ریاضی تیر های بتنی تحت بار های قائم. نشریه دانشگاه جامع امام حسین، ۵(۵)، ۲.
2.     امین بخش، سینا و صورت پهلوانی، علی گل و توحیدی، امین،1402،پیش بینی مقاومت فشاری بتن سازه ای با استفاده از یادگیری ماشین و شبکه عصبی پرسپترون چندلایه،بیست و دومین کنفرانس ملی شهرسازی ،معماری ،عمران و محیط زیست،شیروان،https://civilica.com/doc/1944318
3.     پیمان، فرشاد،1393،مقایسه الگوریتم ژنتیک با روش تاگوچی در تعیین طرح اختلاط بهینه بتن خود متراکم،دومین کنگره بین المللی سازه ، معماری و توسعه شهری،تبریز،https://civilica.com/doc/352813
4.     ترابی، م.ر.، حسینی، م.، & حاجی محمد رضائی، ر. (1403). مدلی جهت پیش‌بینی مقاومت بتن خودتراکم به کمک شبکه‌های عصبی مصنوعی. پژوهش‌های زیرساخت‌های عمرانی، 10(2)، 119–131. https://doi.org/10.22091/cer.2024.11015.1564
5.     راه چمنی، قدرت و خردمند، یزدان و اسکندری، رسول و قائمی، رضا،1395،پیش بینی وازایشی خودکار کیفیت بتن با استفاده از منطق استنتاجی عصبی فازی تطبیقی و الگوریتم تکاملی ژنتیک،دومین همایش ملی کاربرد سیستم های هوشمند (محاسبات نرم) در علوم و صنایع،قوچان،https://civilica.com/doc/572919
6.     رمضانیانپور، علی اکبر و پیلوار، امیررضا و سبحانی، جعفر،1391،تخمین مقاومت فشاری بتن با استفاده از شبکه عصبی مصنوعی،چهارمین کنفرانس ملی بتن ایران،تهران،https://civilica.com/doc/177200
7.      ساکی، محمد و جمالپور نجم آبادی، رضا،1404،مروری مقایسه ای بر روش های هوشمند طراحی اختلاط بتن مبتنی بر یادگیری ماشین و الگوریتم های تکاملی،بیست و هفتمین کنفرانس ملی مهندسی عمران، معماری و توسعه شهری،بابل،https://civilica.com/doc/2301540
8.     سعادت، محمد و مدندوست، رحمت و جمالی، علی و امیرعلی پور، مجید،1395،پیش بینی مقاومت فشاری بتن به روش مغزه گیری بااستفاده ازروش الگوریتم ژنتیک،سومین کنفرانس ملی توسعه علوم مهندسی،تنکابن،https://civilica.com/doc/543666
9.     سنجری، سامان و هاشمی، سیدمهدی و راهنمایی، حسین و دهنوی، مجتبی و قادری پور، امیرحسین،1402،پیش بینی افت و انقباض در بتن های خودمتراکم SCC مطالعه موردی بتن خوددمتراکم مصرفی پل های سگمنتال،هفتمین کنفرانس بین المللی مطالعات جهانی در مهندسی عمران، معماری و شهرسازی،تهران،https://civilica.com/doc/2014748
10.  عفتی، م.، قاسم‌زاده موسوینژاد، س. ح.، و فلاح‌کار گشتی، م. (۱۳9۹). پیش‌بینی اسلامپ بتن با استفاده از مدل شبکه عصبی مصنوعی و روش رگرسیون چندمتغیره خطی. تحقیقات بتن، ۱۰(۳)، ۱۱۵–۱۶۹.
11.  قربانی,علی . (1402). تخمین مقاومت فشاری بتن ‏های با عملکرد بالا بر پایه خاکستر بادی با استفاده از شبکه ‏های عصبی مصنوعی. مهندسی سازه و ساخت, 10(4), 133-149. doi: 10.22065/jsce.2022.345574.2837
12.  گلفام، بهنام،1403،طراحی و بهینه سازی رئولوژی بتن خودتراکم (SCC) با استفاده از هوش مصنوعی و الگوریتم های فراابتکاری در زیرساخت های شهری،یازدهمین کنفرانس بین المللی ایده های راهبردی در معماری، عمران و شهرسازی ایران،مشهد،https://civilica.com/doc/2211246
13.  مسروری سعادت,سید معین و جهانی,احسان . (1401). پیش‌بینی مقاومت فشاری بتن خودتراکم حاوی فیلر‌های مختلف با کمک شبکه‌های عصبی مصنوعی. نشریه مهندسی عمران امیرکبیر, 54(10), 3835-3856. doi: 10.22060/ceej.2022.20488.7438
14.  مسعودی,امیررضا و قدرت نما,مرتضی . (1404). رویکرد نوین در پیش‌بینی مقاومت بتن خود متراکم حاوی سنگدانه‌های بازیافتی در دماهای بالا: کاربرد برنامه نویسی بیان ژنی. مهندسی سازه و ساخت, 12(11), 136-156. doi: 10.22065/jsce.2025.502399.3638
15.  مسیحی,محسن , ساجدی,سیدفتح اله و دالوند,احمد . (1403). بهینه ‏سازی طرح مخلوط بتن با مقاومت بالا با استفاده از الگوریتم ژنتیک فراابتکاری. نشریه مهندسی عمران امیرکبیر, 56(4), 407-440. doi: 10.22060/ceej.2024.20494.7440
16.  مودی، ی.، صفاییان حمزه‌کلایی، ن.، و افشون، ا. (۱۴۰۳). مدل‌های هوشمند برای پیش‌بینی مقاومت فشاری بتن سبز ساخته‌شده با ریزدانه و درشت‌دانه‌های ضایعات سرباره مس. کارافن،۲۱(۳)، ۳۶۷–۳۹۴
17.  میرزا گل تبار روشن,مهدی , علیزاده الیزیی,محمد هادی و اسمعیل آبادی,رضا . (1401). ارائه مدل های بهینه شده هوش مصنوعی جهت بررسی رفتار مقاومتی بتن پایدار حاوی ریزدانه های بازیافتی پلی اتیلن ترفتالات. مهندسی سازه و ساخت, 9(2), 172-197. doi: 10.22065/jsce.2021.282089.2430
18.  ناصری علوی، میرپویا و علوانی، احسان و دلنواز، علی و اکبری نیا، فرزاد،1395،تعیین طرح اختلاط بهینه بتن حاوی نانوسیلیس و میکروسیلیس با استفاده از الگوریتم ژنتیک،اولین کنفرانس بین المللی و سومین کنفرانس ملی مدیریت ساخت و پروژه،تهران،https://civilica.com/doc/599393
19.  نوربالاتفتی, حمیدرضا و محصولی, مجتبی . (1403). مدل‌های احتمالاتی برای پیش‌بینی تنش تسلیم میلگرد و مقاومت فشاری بتن بر مبنای رگرسیون خطی بیژین. مجله ی مهندسی عمران شریف, 40(2), 87-100. doi: 10.24200/j30.2023.62665.3238
20.  وزین رام، فرشاد و صفائی، امیرمحسن،1391،عملکرد بتن توانمند HPC برپارامترهای تحلیلی و طراحی ساختمان های بتنی،چهارمین کنفرانس بین المللی مقاوم سازی ،تبریز،https://civilica.com/doc/206966
21.  یوسفی، محمدمهدی و مظلوم، موسی و ابراهیم پور، رضا،1391،استفاده از روش های مختلف ترکیب شبکه های عصبی مصنوعی درتخمین نتایج مقاومت فشاری طولانی مدت بتن خودتراکم،نهمین کنگره بین الملی مهندسی عمران،اصفهان،https://civilica.com/doc/165921
22.   Abbasianjahromi, H.R. S. Asil Gharebaghi , M. Sadegh Eshaghi Khanghah, Optimizing the  Weight of 3D Steel structures by spectrum dynamic analysis and soft computing algorithm,  Amirkabir J. Civil Eng., 52(4) (2020) 23
23.   Albostami, A. S., Al-Hamd, R. K. S., Alzabeebee, S., & Minto, A. (2023). Application of soft computing in predicting the compressive strength of self-compacted concrete containing recyclable aggregate. Asian Journal of Civil Engineering, 25(1). https://doi.org/10.1007/s42107-023-00767-2
24.   Alkayem, N. F. (2024). Prediction of concrete and FRC properties at high temperature using machine and deep learning: A review of recent advances and future perspectives. Journal of Building Engineering.
25.   Alyaseen, A., Poddar, A., Kumar, N., Tajjour, S., Prasad, C. V. S. R., Alahmad, H., & Sihag, P. (2023). High-performance self-compacting concrete with recycled coarse aggregate: Soft-computing analysis of compressive strength. Journal of Building Engineering.
26.   Anemangely, M., A. Ramezanzadeh, and B. Tokhmechi, "Shear Wave Travel Time Estimation from Petrophysical Logs Using ANFIS-PSO Algorithm: A Case Study From Ab-Teymour Oilfield". Journal of Natural Gas Science and Engineering, 38: pp. 373-387, 2017
27.   Arora, S., Sharma, R., & Singh, G. (2019). Strength performance of recycled aggregate concretes containing mineral admixtures and their performance prediction through various modeling techniques. Journal of Building Engineering, 24, 100736.
28.   Ashrafian, A., Taheri Amiri, M., Haghighi, F. (2019). Modeling the Slump Flow of Self-Compacting Concrete Incorporating Metakaolin Using Soft Computing Techniques. Journal of Structural and Construction Engineering, 6(Issue 2), 5-20.
29.   Bian, J., Huo, R., Zhong, Y., & Guo, Z. (2024). XGB-Northern Goshawk Optimization: Predicting the Compressive Strength of Self-Compacting Concrete. KSCE Journal of Civil Engineering, 28(4), 1423-1439.
30.   Blanco, F., & Woo, Y. J. (2024). Modeling compressive strength of self-compacting concrete (SCC) using novel optimization algorithm of AOA. Advances in Engineering and Intelligence Systems, 3(3). https://doi.org/10.22034/aeis.2024.470005.1206
31.   Chopra, P.  R. Kumar Sharma, M. Kumar, Prediction of Compressive Strength of Concrete Using Artificial Neural Network and Genetic Programming. Hindawi Publishing Corporation, (2016), Article ID 7648467, 10 pages.
32.   Dadsetan, S., et al. (2017). Mechanical and microstructural properties of self-compacting concrete blended with metakaolin, ground granulated blast-furnace slag and fly ash. Construction and Building Materials.
33.   ElAsri, Y., Ben Aicha, M., Zaher, M., & Alaoui, A. H. (2022). Prediction of compressive strength of self-compacting concrete using four machine learning technics. Materials Today: Proceedings.
34.   Fakharian P, Nouri Y, Ghanizadeh AR, Jahanshahi FS, Naderpour H, Kheyroddin A. Bond strength prediction of externally bonded reinforcement on groove method (EBROG) using MARS-POA. Composite Structures. 2024 Dec 1; 349: 118532. doi: 10.1016/j.compstruct.2024.118532
35.   Ghorbani,A. , Maleki,H. , Naderpour,H. and Khatami,S. M. H. (2024). Advancing Compressive Strength Prediction in Self-Compacting Concrete via Soft Computing: A Robust Modeling Approach. Journal of Soft Computing in Civil Engineering, 8(1), 126-140. doi: 10.22115/scce.2023.396669.1646
36.   Guerra, A.  P.D. Kiousis, Design optimization of reinforced concrete structures, Computers and Concrete, 3(5) (2006) 313-334.
37.   Guo S, Kou H, Bi Y, Mamlooki M. Predicting the compressive strength of self-compacting concrete by developed African vulture optimization algorithm-Elman neural networks. Sci Rep. 2024 Aug 29;14(1):20080. doi: 10.1038/s41598-024-71122-x. PMID: 39209982; PMCID: PMC11362318.
38.   Hanteh, R., Hanteh, M., Kheyroddin, A., & Rezaifar, O. (2020). Determination of Strength Parameters in Roller Compacted Concrete (RCC) Dams using Laboratory Results and Forecasting based on Artificial Neural Networks. Modares Civil Engineering journal, 20(2), 55-70.
39.   Hosseini P, Kaveh A, Naghian A. Development and optimization of self-compacting concrete mixes: Insights from artificial neural networks and computational approaches. Int. J. Optim. Civil Eng. 2023 Oct 10; 13(4): 457-476. doi: 10.22068/ijoce.2023.13.4.566
40.   Hosseini P, Kaveh A, Naghian A. The use of artificial neural networks and metaheuristic algorithms to optimize the compressive strength of concrete. Int. J. Optim. Civil Eng. 2023 Jul 10; 13(3): 327-338. doi: 10.22068/ijoce.2023.13.3.558
41.   Imran, M., Khushnood, R. A., & Fawad, M. (2023). A hybrid data-driven and metaheuristic optimization approach for the compressive strength prediction of high-performance concrete. Case Studies in Construction Materials, 18, e01890.
42.   Jang, J.-S., "ANFIS: Adaptive-Network-Based Fuzzy Inference System". IEEE transactions on systems, man, and cybernetics, 23(3): pp. 665-685, 1993.
43.   Jang, J.-S.R., C.-T. Sun, and E. Mizutani, "Neuro-fuzzy and Soft Computing: S Computational Approach to Learning and Machine Intelligence", 1997.
44.   Kamali M, Samsampour D, Bagheri A, Mehrafarin A, Homaei A. Influence of Wate Stress on the Morphophysiological and Biochemical Traits of the Medicinal Plant Teucrium stocksianum Boiss.. Plant Process and Function 2023; 12 (54) : 19. URL: http://jispp.iut.ac.ir/article-1-1780-en.html
45.   Kashem, A., Karim, R., Malo, S. C., Das, P., Datta, S. D., & Alharthai, M. (2024). Hybrid data-driven approaches to predicting the compressive strength of ultra-high-performance concrete using SHAP and PDP analyses. Case Studies in Construction Materials, 20, e02991.
46.   Kondapally, P., Chepuri, A., Elluri, V. P., & Reddy, B. S. K. (2022). Optimization of concrete mix design using genetic algorithms. Earth and Environmental Science, 1086(1), 012061.
47.   Kumar, S., et al. (2024). Development of ANN-based metaheuristic models for the study of the durability characteristics of high-volume fly ash self-compacting concrete with silica fume. Journal of Building Engineering.
48.   Leung, H. Y., et al. (2016). Sorptivity of self-compacting concrete containing fly ash and silica fume. Construction and Building Materials.
49.   Mashhadban H, Kutanaei SS, Sayarinejad MA. Prediction and modeling of mechanical properties in fiber reinforced self-compacting concrete using particle swarm optimization algorithm and artificial neural network. Construction and Building Materials. 2016 Aug 30; 119: 277-287. doi: 10.1016/j.conbuildmat.2016.05.034
50.   Mirzagoltabar Roshan, M., AlizadeElizei, M., & Esmaeilabadi, R. (2022). Presenting an Optimized Artificial Intelligent Models to Investigate the Strength Behavior of Sustainable Concrete Containing Recycled Polyethylene Terephthalate-based Fine Aggregate. Journal of Structural and Construction Engineering, 9(2), 172-197. doi: 10.22065/jsce.2021.282089.2430
51.   Mohammed, M. K., Al-Hadithi, A. I., & Mohammed, M. H. (2019). Production and optimization of eco-efficient self compacting concrete SCC with limestone and PET. Construction and Building Materials, 197, 734-746.
52.   Mohammed, S. H., Hussein, L., & Mohammed, A. S. (2025). Sensitivity-based prediction of self-compacting concrete strength using hybrid modeling techniques. Asian Journal of Civil Engineering, 26(8), 3485–3506. https://doi.org/10.1007/s42107-025-01383-y
53.   Naderpour H, Nagai K, Fakharian P, Haji M. Innovative models for prediction of compressive strength of FRP-confined circular reinforced concrete columns using soft computing methods. Composite Structures. 2019 May 1; 215: 69-84. doi: 10.1016/j.compstruct.2019.02.048
54.   Park, J. and I.W. Sandberg, Universal "Approximation Using Radial-Basis-Function Networks". Neural Computation, 3: pp. 246-257, 1991.
55.   Park, J. and K.-Y. Kim, "Meta-Modeling Using Generalized Regression Neural Network and Particle Swarm Optimization". Applied Soft Computing, 51: pp. 354-369, 2017.
56.   pouryan,H. , KhodaBandehLou,A. , Hamidi,P. and ashrafzadeh,F. (2024). Predicting properties of self-compacting concrete using integrated models based on metaheuristic algorithms. Journal of Concrete Structures and Materials, 9(1), 230-256. doi: 10.30478/jcsm.2025.441113.1360
57.   Sadrmomtazi, A., Dolati-Milehsara, S., Lotfi-Omran, O., & Sadeghi-Nik, A. (2016). The combined effects of waste PET particles and pozzolanic materials on the properties of self-compacting concrete. Journal of Cleaner Production, 112, 2363-2373.
58.   Sajedi F, H. Abdul-Razak, Relationship between 7- and 28-days CS for HSC by use of ANN and regression methods, Asian Journal of Civil Engineering (AJCE), Iran. 11(2) (2010) 207-218.
59.   Sevim, U. K., Bilgic, H. H., Cansiz, O. F., Ozturk, M., & Atis, C. D. (2021). Compressive strength prediction models for cementitious composites with fly ash using machine learning techniques. Construction and Building Materials, 271, 121584.
60.   Shahmansouri AA, Akbarzadeh Bengar H, Ghanbari S. Experimental investigation and predictive modeling of compressive strength of pozzolanic geopolymer concrete using gene expression programming. J Concr Struct Mater 2020; 5: 92-117. doi: 10.30478/jcsm.2020.214158.1141
61.   Shariati, M., Mafipour, M. S., Mehrabi, P., Bahadori, A., Zandi, Y., Salih, M. N., … & Poi-Ngian, S. (2019). Application of a hybrid artificial neural network-particle swarm optimization (ANN-PSO) model in behavior prediction of channel shear connectors embedded in normal and high-strength concrete. Applied Sciences, 9(24), 5534.
62.   Shi, C., Ling, T. C., & Poon, C. S. (2015). A review on mixture design methods for self-compacting concrete. Construction and Building Materials, 84, 195-207.
63.   Silva, R. V., de Jesus, D. A., Farzad, P., & Labrincha, J. (2017). Availability and processing of recycled aggregates within the construction and demolition supply chain: a review. Journal of Cleaner Production, 140, 424-436.
64.   TAHERI AMIRI,M. J. , Ashrafian,A. , Haghighi,F. R. and Javaheri Barforooshi,M. (2019). Prediction of the Compressive Strength of Self-compacting Concrete containing Rice Husk Ash using Data Driven Models. Modares Civil Engineering journal, 19(1), 209-221
65.   Tipu, R. K., Panchal, V. R., & Pandya, K. S. (2023). Multi-objective optimized high-strength concrete mix design using a hybrid machine learning and metaheuristic algorithm. Asian Journal of Civil Engineering, 24, 849–867.
66.   V, M. R., Lomada, R. R., C, V. K., R, K., Sergei, S., Vatin, N. I., & Joshi, A. (2024). ML prediction and ANN-PSO based optimization for compressive strength of blended concrete. Cogent Engineering, 11(1). https://doi.org/10.1080/23311916.2024.2380347
67.   Zhang, J., et al., "Prediction of LBB Leakage for Various Conditions by Genetic Neural Network and Genetic Algorithms". Nuclear Engineering and Design, 325: pp. 33-43, 2017.
68.   Zhang, J., Wang, Z., Shen, S., Sheng, S., He, H., & He, C. (2026). Hybrid Explainable Machine Learning Models with Metaheuristic Optimization for Performance Prediction of Self-Compacting Concrete. Buildings, 16(1), 225. https://doi.org/10.3390/buildings16010225
Human Ecology

Articles in Press, Accepted Manuscript
Available Online from 24 July 2026