پیش‌بینی مشخصات سخت شده بتن خودتراکم الیافی به کمک شبکه‌های عصبی مصنوعی

نوع مقاله: مقاله پژوهشی

نویسندگان

گروه آموزشی مهندسی عمران، مؤسسه آموزش عالی غیر انتفاعی طبری، بابل، ایران

چکیده

امروزه روش­های هوشمند و الهام گرفته از طبعیت در حل مسائل پیچیده طرفداران زیادی دارد یکی از پرطرفدارترین و کاراترین این ساختارها، شبکه­های عصبی مصنوعی هستند که قادرند یک رابطه کلی بین اطلاعات حجیم و پیچیده ناشی از آزمایش­ها و مثال­های تجربی به دست آورند. از طرف دیگر، ترکیب بتن الیافی با بتن خودتراکم، یک نوع بتن جدید با سیالیت بالا و چسبندگی خوب تولید می­کند. این نوع بتن به علت حضور الیاف دارای مزایای فراوانی همچون، مقاومت بالا در برابر ضربه، خستگی، فرسایش و همچنین افزایش مقاومت کششی و خمشی و کاهش جدا شدگی می­باشد. در این تحقیق با در نظر گرفتن اجزای طرح اختلاط بتن به عنوان ورودی شبکه ها و مدل سازی دو نوع شبکه عصبی، یکی تابع بنیادی شعاعی و دیگری شبکه عصبی بازگشتی نارکس برای پیش­بینی مشخصات سخت شده بتن استفاده شد. برای آموزش هر چه بهتر شبکه ها، 40 طرح اختلاط بتن خودتراکم الیافی، توسط سه نوع الیاف فولادی، شیشه و پلی پروپیلن ساخته شد. مقایسه نتایج آزمایشات و خروجی شبکه، بیانگرآن است که هر دو شبکه از دقت کافی در تخمین مشخصات سخت شده بتن خودتراکم برخوردار می­باشند و شبکه عصبی بازگشتی نارکس دارای خطای کمتری نسبت به شبکه عصبی تابع بنیادی شعاعی می­باشد.

کلیدواژه‌ها


عنوان مقاله [English]

Prediction the Hardened Properties of Fiber-Reinforced Self-Compacting Concrete Using Artificial Neural Networks

نویسندگان [English]

  • Javad Berenjian
  • Navidreza Forouhar
  • Mohsen Ghasemi
Department of Civil Engineering, Tabari Institute of Higher Education, Babol, Iran
چکیده [English]

Nowadays, intelligent methods inspired from nature are implemented to resolve complex problems, there are very popular too. The most common one is artificial neural network; they are capable to collect huge amount of complex information through experiments and tests. On the other hand, combination of fiber concrete with self-consolidating concrete produces a new product with high fluidity and good adhesion. Due to the presence of fibers, this type of concrete presents high-quality advantages such as high resistance to impact, high fatigue performance, low rate of erosion, enhances the tensile and flexural strengths and reduces the segregation. In this study by considering the components of the concrete mix design as networks input and two kinds of neural network modelling, a Radial Basis function and a recurrent neural network (NARX) for predicting the properties of hardened concrete, were used. To improve networks training, 40 concrete mix fibers reinforced self-consolidating concrete and three fiber types including steel fibers, glass and polypropylene, were prepared. Comparison of experimental results and network outputs indicate that both networks have the sufficient accuracy in estimating the hardened properties of self-consolidating concrete and recurrent neural network (NARX) error is less than Radial Basis Function Neural Network.

کلیدواژه‌ها [English]

  • Prediction
  • Artificial neural network
  • Fiber-Reinforced Self-Compacting Concrete
  • Hardened properties