تجزیه و تحلیل مدلهای ریاضی پیشبینی مقاومتهای مکانیکی بتنهای مسلح به الیاف فولادی به روش تجربی و مبتنی بر یادگیری ماشین | ||
| نشریه مهندسی عمران امیرکبیر | ||
| مقاله 5، دوره 57، شماره 10، دی 1404، صفحه 1807-1838 اصل مقاله (2.11 M) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22060/ceej.2026.20086.8164 | ||
| نویسندگان | ||
| محمدحسین تقوی پارسا* 1؛ مرتضی اسماعیلی2؛ محمد رضا عدل پرور1 | ||
| 1گروه عمران، دانشکده فنی و مهندسی، دانشگاه قم، قم، ایران | ||
| 2دانشکده مهندسی راه آهن، دانشگاه علم و صنعت، تهران، ایران | ||
| چکیده | ||
| هدف از مقاله حاضر، ارائه مدل ریاضی بهینه برای پیشبینی مقاومتهای مکانیکی بتن مسلح به الیاف فولادی است. برای این منظور ضمن مطالعه و بررسی آزمایشگاهی روابط محققین قبلی برای پیشبینی مقاومتهای فشاری، کششی و خمشی بتن الیافی مسلح شده با الیاف فولادی، روابط ریاضی بهینه حاکم بر مسئله به روش یادگیری ماشین بررسی شده است. تمرکز تحقیق حاضر بر روی آن دسته از بتنهای مسلح به الیاف فولادی است که در ساخت آنها از الیاف به اشکال صاف، موجدار و دوسرقلاب در مقیاس ماکرو استفاده شده است. طی این تحقیق روابط ریاضی مستخرج از روش یادگیری ماشین که با استفاده از مدلسازی پیشبینی مقاومتهای فشاری، کششی و خمشی بتنهای مسلح به الیاف فولادی و با به کارگیری روش رگرسیون نمادی بر مبنای یک پایگاه دادهی مشتمل بر 2283 دادهی بین المللی ارائه شده بررسی میگردد. کارایی مدلهای به کار گرفته شده در این تحقیق با استفاده از سنجههای آماری آنالیز خطا نظیر RMSE و MAPE سنجیده شده است. نتایج نشان میدهد که پارامترهای سایز بزرگترین سنگدانه، مدول الاستیسیته، مقاومت فشاری بتن شاهد، نسبت آب به سیمان، درصد حجمی و طول الیاف، نسبت ابعادی الیاف و مقاومت کششی یا خمشی مرتبط با نوع خروجی مورد بررسی برای بتن الیافی بیشترین اثر را بر روی پیشبینی مقاومت دارند. بررسی نتایج نشان میدهد که فرمولهای ارائه شده برای پیشبینی مقاومت بتن مسلح برای الیاف مورد بررسی نسبت به روابط ریاضی گذشته از دقت قابل ملاحظهای برخوردار است. | ||
| کلیدواژهها | ||
| بتن الیافی؛ یادگیری ماشین؛ روابط تجربی؛ الیاف فولادی؛ الگوریتمهای مدلسازی | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 116 تعداد دریافت فایل اصل مقاله: 120 |
||
| تعداد نشریات | 9 |
| تعداد شمارهها | 455 |
| تعداد مقالات | 5,771 |
| تعداد مشاهده مقاله | 8,376,751 |
| تعداد دریافت فایل اصل مقاله | 6,936,339 |