پیشبینی مقاومت فشاری بتن خودتراکم حاوی فیلرهای مختلف با کمک شبکههای عصبی مصنوعی | ||
| نشریه مهندسی عمران امیرکبیر | ||
| مقاله 11، دوره 54، شماره 10، دی 1401، صفحه 3835-3856 اصل مقاله (2.82 M) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22060/ceej.2022.20488.7438 | ||
| نویسندگان | ||
| سید معین مسروری سعادت؛ احسان جهانی* | ||
| دانشکده فنی مهندسی، دانشگاه مازندران، بابلسر، ایران | ||
| چکیده | ||
| بتنهای خودمتراکم با خواص رئولوژی و مکانیکی مناسب، از بتنهای جدید محسوب میشوند که در اواخر قرن 20 و اوایل قرن 21 مورد توجه محققین و صاحبان صنایع قرار گرفت. دقت در بتنریزی، تراکم بتن و همچنین ظاهر بتن به عنوان یک متریال اکسپوز همواره از دغدغههای طراحان و مجریان پروژههای عمرانی محسوب میشود. بتنهای خودمتراکم با خاصیت تراکم وزنی همواره میتواند از گزینههای پیش روی طراحان باشد. تنوع در مواد مورد استفاده در بتنهای خودمتراکم از جمله مواد بازیافتی، با خاصیت پوزولانی و پر کنندگی در جهت رسیدن به اهداف رئولوژی و مکانیکی، از چالشهایی است که طراحان با آن روبرو هستند. همچنین دقت در تعیین نسبتهای اختلاط و نتایج حاصل از آن بسیار زمان بر و پرهزینه میباشد. علوم کامپیوتر با بهرهگیری از محاسبات نرم و شبکههای عصبی الهام گرفته از ساختار بیولوژیکی مغز انسان، سعی در افزایش سرعت، دقت و همچنین کاهش هزینه به جهت جلوگیری از آزمایشات مخرب میپردازد. در این پژوهش با کمک دو شبکه ANN و LSTM با بهرهگیری از 320 نمونه بتن خودمتراکم با پراکندگی و جامعیت مصالح رایج مورد استفاده در آن توسط محققیق مختلف، سعی در پیشبینی مقاومت فشاری 28 روزه بتن خودتراکم، بررسی عملکرد و افزایش دقت توسط 6 الگوریتم آموزشی مختلف شده است. در مجموع حدودا 200 تکرار آموزش بر روی 320 نمونه بتن خودتراکم با 14 ویژگی انجام شد، که با مقایسه بهترین نتایج حاصل از الگوریتمهای آموزشی، بهترین عملکرد با ریشه میانگین مربعات خطای 4/97 و ضریب همبستگی 0/9484 در آزمایش، برای شبکه ANN با الگوریتم آموزشی Beyesian Regularization گزارش شد، که نشان دهندهی دقت بالای آن شبکه میباشد. | ||
| کلیدواژهها | ||
| بتن خودتراکم؛ پیشبینی مقاومت فشاری؛ شبکه عصبی ANN؛ شبکه عصبی LSTM | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 1,123 تعداد دریافت فایل اصل مقاله: 1,317 |
||
| تعداد نشریات | 9 |
| تعداد شمارهها | 455 |
| تعداد مقالات | 5,771 |
| تعداد مشاهده مقاله | 8,375,252 |
| تعداد دریافت فایل اصل مقاله | 6,933,708 |