پیوندهای مفید
آمار
| تعداد نشریات | 21 |
| تعداد شمارهها | 702 |
| تعداد مقالات | 10,131 |
| تعداد مشاهده مقاله | 71,399,295 |
| تعداد دریافت فایل اصل مقاله | 63,119,030 |
مقایسه دو شبکه ANN و ANFIS جهت پیشبینی مقاومت فشاری بتن خودتراکم حاوی دوده سیلیسی | ||
| مدل سازی در مهندسی | ||
| مقالات آماده انتشار، پذیرفته شده، انتشار آنلاین از تاریخ 27 اردیبهشت 1405 | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22075/jme.2026.37579.2844 | ||
| نویسندگان | ||
| اشکان خدابنده لو* 1؛ محمودرضا گلشن2؛ فرهاد عوض نژاد3 | ||
| 1دانشیار، گروه مهندسی عمران، واحد ارومیه، دانشگاه آزاد اسلامی، ارومیه، ایران | ||
| 2مربی، گروه مهندسی عمران، دانشگاه فنی و حرفهای، تهران، ایران | ||
| 3مربی، گروه معماری و شهرسازی، دانشگاه فنی و حرفهای، تهران، ایران | ||
| تاریخ دریافت: 09 اردیبهشت 1404، تاریخ بازنگری: 27 مرداد 1404، تاریخ پذیرش: 04 بهمن 1404 | ||
| چکیده | ||
| طراحی طرح مخلوط بتن خودتراکم با مقاومت بالا، نیازمند دقت و کنترل مضاعف بر مقادیر مصالح مصرفی است. همچنین انجام آزمایشهای مقاومت فشاری بتن در سنین مختلف، منجر به صرف زمان و هزینه زیاد، تولید پسماند و آسیب به محیط زیست میشود. با توسعه فناوری، اکنون ماشین یادگیری قادر است مسائل پیچیده را حل کند. به گونهای که میتواند با دریافت طرح اختلاط بتن، مقاومت فشاری آن را محاسبه نماید. اما فرآیند یادگیری آن بسته به نوع خروجی مورد نظر، به روشها و دستههای مختلفی تقسیم میشود که با گذشت زمان، بسیاری از آنها منسوخ شده و روشهای دقیقتری ارائه شدهاند. در این تحقیق، برای ساخت بتن خودتراکم از دوده سیلیسی استفاده شد و جهت بررسی تأثیر نسبتهای مختلف مصالح بر مقاومت فشاری، از الگوریتم مختلف استفاده شد. در این راستا، شبکه عصبی مصنوعی (ANN) و شبکه استنتاج فازی عصبی-تطبیقی (ANFIS) با 1 تا 10 لایه پنهان ساخته و نتایج آنها با یکدیگر مقایسه شد. نتایج بخش اول تحقیق نشان داد که شبکههای ANFIS و ANN به ترتیب با 10 و 6 لایه پنهان از دقت بالاتری نسبت به سایر مدلها برخوردار هستند. در بخش دوم تحقیق، برای صحتسنجی نتایج مدلهای ماشین یادگیری، شش طرح مخلوط بتن خودتراکم با مقاومت بالا و نسبتهای مختلف مصالح به صورت آزمایشگاهی ساخته و نتایج آنها با مدلهای ANFIS و ANN مقایسه شد. یافتهها نشان داد که شبکه ANFIS با ده لایه پنهان به طور میانگین دقتی معادل 96% توانایی محاسبه مقاومت فشاری بتن خودتراکم با مقاومت بالا را دارد. | ||
| کلیدواژهها | ||
| بتن خودتراکم؛ ماشین یادگیری؛ دوده سیلیس؛ عصبی مصنوعی؛ استنتاج عصبی فازی تطبیقی | ||
| عنوان مقاله [English] | ||
| Comparison of ANN and ANFIS Networks for Predicting the Compressive Strength of Silica Fume SCC Concrete | ||
| نویسندگان [English] | ||
| ASHKAN KHODABANDEHLOU1؛ MAHMOUDREZA GOLSHAN2؛ FARHAD AVAZNEZHAD3 | ||
| 1Associate Professor, Department of Civil Engineering, Ur.C., Islamic Azad University, Urmia, Iran | ||
| 2Department of Civil Engineering, Technical and Vocational University(TVU), Tehran, Iran | ||
| 3Department of Architecture and Urban Planning, Technical and Vocational University(TVU), Tehran, Iran | ||
| چکیده [English] | ||
| Designing a mix for high strength SCC concrete requires heightened precision and strict control over the quantities of constituent materials. Moreover, conducting compressive strength tests for concrete at various ages involves significant time and cost, generates waste, and causes environmental harm. With technological advancements, machine learning is now capable of solving complex problems; specifically, it can estimate the compressive strength of concrete based on the provided mix design. The learning process, however, is divided into various methods and categories depending on the expected output, many of which have become obsolete over time, with more accurate approaches being introduced. In this study, silica fume was incorporated in the production of SCC concrete, and various algorithms were employed to examine the influence of different material ratios on compressive strength. In this regard, Artificial Neural Networks (ANN) and Adaptive Neuro Fuzzy Inference Systems (ANFIS) with 1 to 10 hidden layers were developed, and their results were compared. Findings from the first part of the study revealed that the ANFIS and ANN models with 10 and 6 hidden layers, respectively, achieved higher accuracy than the other models. In the second part, to validate the AI model results, six high strength concrete mix designs with various material proportions were prepared and tested experimentally, and the results were compared with the predictions of the ANFIS and ANN networks. The results indicated that the ANFIS network with ten hidden layers achieved, on average, an accuracy of 96% in estimating the compressive strength of high strength SCC concrete. | ||
| کلیدواژهها [English] | ||
| SCC concrete, Artificial intelligence, Silica fume, ANN, ANFIS | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 16 |
||