پیشبینی عمق کربناته شدن بتن و بررسی عوامل تأثیرگذار از طریق مدلهای یادگیری ماشین و بهینهسازی | ||
| نشریه مهندسی عمران امیرکبیر | ||
| مقاله 5، دوره 56، شماره 12، 1403، صفحه 1583-1604 اصل مقاله (1.14 M) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22060/ceej.2024.22980.8086 | ||
| نویسندگان | ||
| شعیب منصوری؛ علیرضا رهایی؛ سیدهادی راشدی؛ فریدون مقدس نژاد* | ||
| دانشکده مهندسی عمران و محیط زیست، دانشگاه صنعتی امیرکببر، تهران، ایران | ||
| چکیده | ||
| پیشبینی دقیق عمق کربناته شدن بتن برای محافظت در برابر پیامدهای زیانبار مانند ترکخوردگی و خوردگی بسیار مهم است. با این وجود، به دلیل پیچیدگیهای فرآیند و انبوه متغیرهای موجود، تشخیص پارامترهایی که بیشترین اهمیت را در مدلسازی عمق کربناته بتن دارند، چالش بزرگی محسوب میشود. این مطالعه به توسعه یک روش انتخاب ویژگی هایبرید (ترکیبی) به نام MOEA/D-ANN میپردازد. هدف این روش شناسایی مهمترین متغیرهایی است که به دستیابی بالاترین دقت پیش بینی کمک می کنند. این روش پیشنهادی الگوریتم تکاملی بهینهسازی چند هدفه مبتنی بر جداسازی را با شبکههای عصبی مصنوعی ترکیب میکند تا با استفاده از قدرت روشهای بهینهسازی و یادگیری ماشین، مشکل انتخاب ویژگی را به طور موثر حل کند. برای ارزیابی عملکرد روش معرفی شده از الگوریتم (RReliefF) که یک الگوریتم رتبه بندی ویژگی است ، نیز بهره گرفته شده است. از روش ANN برای پیشبینی عمق کربناته بتن و از روشهای ترکیبیMOEA/D-ANN و RReliefFبرای یافتن متغیرهای تأثیرگذار استفاده شده است. نتایج بدست آمده نشان داده اند که مدل ایجاد شده با استفاده از رویکرد MOEA/D-ANN، با ترکیب متغیرهای تعیینشده توسط آن، درصد خطا را کاهش و دقت را افزایش داد. در این مدل به مقدار قابلتوجه ضریب تعیین R2 = 0.99 میرسد، که بر دقت خوب آن در پیش بینی عمق کربناته بتن و تأیید انتخاب دقیق متغیرهای تأثیرگذار تأکید میکند. همچنین نتایج نشان داده که با افزایش نسبت آب به سیمان به میزان 10 درصد، عمق کربناته شدن بتن به میزان 15 درصد افزایش مییابد. | ||
| کلیدواژهها | ||
| عمق کربناته شدن؛ پیشبینی؛ یادگیری ماشین؛ شبکه عصبی مصنوعی؛ MOEA/D؛ بهینهسازی | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 2,896 تعداد دریافت فایل اصل مقاله: 1,644 |
||
| تعداد نشریات | 9 |
| تعداد شمارهها | 455 |
| تعداد مقالات | 5,771 |
| تعداد مشاهده مقاله | 8,377,385 |
| تعداد دریافت فایل اصل مقاله | 6,936,905 |