پیوندهای مفید
آمار
| تعداد نشریات | 22 |
| تعداد شمارهها | 717 |
| تعداد مقالات | 10,307 |
| تعداد مشاهده مقاله | 72,269,790 |
| تعداد دریافت فایل اصل مقاله | 63,999,698 |
بررسی تأثیر مدل کاپولا بر بهبود دقت شبکههای عصبی در پیشبینی مقاومت فشاری بتن مورد استفاده در روسازیهای بتنی | ||
| مهندسی زیر ساخت های حمل و نقل | ||
| مقالات آماده انتشار، پذیرفته شده، انتشار آنلاین از تاریخ 17 خرداد 1405 | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22075/jtie.2026.41156.1763 | ||
| نویسندگان | ||
| سحر علیشاهی1؛ سید علی ضیائی* 2؛ حسین محمدی1 | ||
| 1کارشناس ارشد ، گروه مهندسی عمران، دانشکده مهندسی، دانشگاه فردوسی، مشهد، ایران | ||
| 2دانشکده مهندسی دانشگاه فردوسی مشهد ودانشکده عمران دانشگاه تهران | ||
| تاریخ دریافت: 20 اردیبهشت 1405، تاریخ بازنگری: 12 خرداد 1405، تاریخ پذیرش: 17 خرداد 1405 | ||
| چکیده | ||
| در سالهای اخیر استفاده از روشهای یادگیری ماشین برای پیشبینی خواص مکانیکی بتن بهطور گستردهای مورد توجه قرار گرفته است. در این میان، پیشبینی دقیق مقاومت فشاری بتن بهعنوان یکی از مهمترین پارامترهای طراحی در روسازیهای بتنی مطرح میباشد. با این حال، محدودیت دادههای آزمایشگاهی یکی از چالشهای اصلی در توسعه مدلهای دقیق یادگیری ماشین است. در این پژوهش، یک رویکرد ترکیبی مبتنی بر مدل کاپولا گوسی و شبکه عصبی مصنوعی (Copula-ANN) برای افزایش دادههای آموزشی و بهبود دقت پیشبینی مقاومت فشاری بتن ارائه شده است. دادههای مورد استفاده از مجموعه داده استاندارد Yeh استخراج شده و شامل متغیرهای طرح اختلاط بتن و مقاومت فشاری میباشد. عملکرد مدل پیشنهادی با شبکه عصبی معمولی و رگرسیون خطی مقایسه گردید. نتایج نشان داد که استفاده از روش کاپولا موجب بهبود قابل توجه عملکرد شبکه عصبی شده و مقدار ضریب تعیین از 914/0 به 976/0 افزایش یافته است. به منظور ارزیابی قابلیت تعمیمپذیری مدل، اعتبارسنجی خارجی با استفاده از دادههای آزمایشگاهی بتنهای پرمقاومت منتشرشده در مطالعات معتبر انجام شد. نتایج این اعتبارسنجی نشان داد که مقادیر پیشبینیشده توسط مدل پیشنهادی انطباق مناسبی با دادههای آزمایشگاهی داشته و دقت و قابلیت اعتماد مدل را تأیید میکند. در نهایت، نتایج بیانگر توانایی مدل پیشنهادی در افزایش دقت پیشبینی مقاومت فشاری بتن و بهبود قابلیت تعمیمپذیری مدلهای یادگیری ماشین در مسائل مهندسی بتن میباشد. | ||
| کلیدواژهها | ||
| روسازی بتنی؛ بتن پرمقاومت؛ شبکه عصبی مصنوعی؛ روش کاپولا | ||
| عنوان مقاله [English] | ||
| Investigation of the Effect of Copula Model on Improving the Accuracy of Neural Networks in Predicting the Compressive Strength of Concrete Used in Concrete Pavements | ||
| نویسندگان [English] | ||
| sahar Alishahi1؛ Seyed Ali Ziaee2؛ hosein mohammadi1 | ||
| 1Master of Science, Department of Civil Engineering, Faculty of Engineering, Ferdowsi University of Mashhad, Iran | ||
| 2Department of Civil Engineering, Engineering Faculty,Ferdowsi University of Mashhad, Mashhad, Iran And School of Civil Engineering, College of Engineering, University of Tehran, Tehran, Iran | ||
| چکیده [English] | ||
| In recent years, the use of machine learning methods for predicting the mechanical properties of concrete has received significant attention. Among these, accurate prediction of concrete compressive strength is considered one of the most important design parameters in concrete pavements. However, the limitation of experimental data is one of the main challenges in developing accurate machine learning models. In this study, a hybrid approach based on the Gaussian copula model and artificial neural networks (Copula-ANN) is proposed to augment the training data and improve the accuracy of compressive strength prediction of concrete. The dataset used in this research was extracted from the standard Yeh dataset and includes concrete mix design variables and compressive strength. The performance of the proposed model was compared with a conventional neural network and linear regression. The results showed that the use of the copula method significantly improved the performance of the neural network, increasing the coefficient of determination (R²) from 0.914 to 0.976. To evaluate the generalization capability of the model, external validation was performed using experimental data of high-strength concrete reported in reliable studies. The results of this validation indicated a good agreement between the predicted values and the experimental data, confirming the accuracy and reliability of the proposed model .Finally, the results demonstrate the ability of the proposed model to improve the accuracy of concrete compressive strength prediction and enhance the generalization capability of machine learning models in concrete engineering problems. | ||
| کلیدواژهها [English] | ||
| Concrete Pavement, High-Strength Concrete, Artificial Neural Network, Copula Metho | ||
|
آمار تعداد مشاهده مقاله: 97 |
||