راهبردهای عملیاتی جهت بررسی عملکرد مکانیکی بتن به کمک شبکه عصبی و هوش مصنوعی (مقاله علمی وزارت علوم)
درجه علمی: نشریه علمی (وزارت علوم)
آرشیو
چکیده
هدف: این مطالعه با هدف بررسی پیش بینی خواص مقاومتی بتن به کمک انواع مختلف شبکه های عصبی انجام گرفت. داده های موردمطالعه در این پژوهش از بانک اطلاعاتی 127 طرح اختلاط جمع آوری شده است. داده های ورودی شامل سن بتن برحسب روز، میزان درشت دانه، ریزدانه، سیمان، آب، روان کننده برحسب کیلوگرم بر سانتی متر مکعب بوده است و داده های هدف شامل مقاومت فشاری بوده است.روش شناسی پژوهش: در این پژوهش سعی شده با مطالعه آماری نمونه های آزمایشگاهی بتن جهت پروژه های گوناگون مدل هایی ساخته شود تا بتواند پیش بینی مناسبی جهت تخمین خواص مقاومتی بتن داشته باشد. استفاده از هوش مصنوعی به عنوان یک روش مدرن جایگاه ویژه ای در علوم مهندسی دارد. در این پژوهش داده های مورداستفاده ابتدا نرمال سازی شدند و سپس داده های موردنظر با استفاده از الگوریتم لورنبرگ مارکوارت مورد آزمایش قرار گرفت.یافته ها: معیارهای ارزیابی مدل های شبکه عصبی مصنوعی با استفاده از ارزیابی و خطا به دست آمد و نتایج نشان داد استفاده از 10 لایه مخفی دارای بیشترین ضریب همبستگی و کمترین خطا بوده است. ساختار این شبکه به صورت پرسپترون چندلایه بوده است.اصالت/ارزش افزوده علمی: نتایج نشان داد برای شبکه عصبی ساخته شده مقدار ضریب همبستگی، ریشه میانگین، مربعات خطا و میانگین خطای مطلق شبکه عصبی مصنوعی ساخته شده به ترتیب برابر است با 0/95، 1/9 بوده است.Operational strategies to the mechanical performance assessment of concrete with the neural network and artificial intelligence
Purpose: This study was conducted to predicte the resistance properties of concrete with different types of neural networks. The studied data was collected from the database of 127 mixing plans. The input data included the age of concrete in day, the amount of coarse grain, fine grain, cement, water and concrete plasticizer. The target data included compressive strength.Methodology: In this research, an attempt has been made to make models for different projects by statistical study of laboratory samples of concrete in order to have a suitable prediction for estimating the resistance properties of concrete. The use of artificial intelligence as a modern method has a special place in engineering sciences. In this research, the data used were first normalized and then the desired data were trained using the Lorenberg Marquardt algorithm.Findings: The evaluation criteria of artificial neural network models were obtained using evaluation and error and the results showed that the use of 10 hidden layers had the highest correlation coefficient and the lowest error. The structure of this network was multi-layered perceptron.Originality/Value: The results showed that for the constructed neural network, the value of correlation coefficient, mean root, error square and mean absolute error of the artificial neural network were 0.94 and 1.9, respectively.