پیوندهای مفید
آمار
| تعداد نشریات | 21 |
| تعداد شماره‌ها | 647 |
| تعداد مقالات | 9,475 |
| تعداد مشاهده مقاله | 68,299,473 |
| تعداد دریافت فایل اصل مقاله | 47,819,223 |
مدل‌سازی مقاومت فشاری بتن غلتکی با استفاده از شبکه عصبی مصنوعی، انفیس و ماشین بردار پشتیبان | ||
| مهندسی زیر ساخت های حمل و نقل | ||
| مقاله 4، دوره 3، شماره 3، آذر 1396، صفحه 55-78 اصل مقاله (1.22 M) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22075/jtie.2017.1823.1176 | ||
| نویسندگان | ||
| محمد عمادی1؛ سیدحسام مدنی* 2 | ||
| 1کارشناسی ارشد سازه، دانشگاه تحصیلات تکمیلی و فناوری پیشرفته کرمان | ||
| 2عضو هیئت علمی، دانشکده عمران و نقشه‌برداری، دانشگاه تحصیلات تکمیلی و فناوری پیشرفته کرمان | ||
| تاریخ دریافت: 07 دی 1395، تاریخ بازنگری: 19 شهریور 1396، تاریخ پذیرش: 19 شهریور 1396 | ||
| چکیده | ||
| امروزه از بتن غلتکی در ساخت سد‌ها و روسازی راه‌ها استفاده می‌شود و طی سال‌های اخیر استفاده از این نوع بتن به علت مزایایی چون کوتاه شدن زمان ساخت، در دسترس بودن مصالح مورد نیاز، عملکرد مناسب در نواحی سرد و عمر مفید طولانی گسترش یافته است. مهم‌ترین خاصیت مکانیکی بتن غلتکی، مقاومت فشاری می‌باشد که افزایش آن می‌تواند عملکرد این نوع بتن را بهبود بخشد. حساسیت بتن غلتکی به اجزای تشکیل‌دهنده آن سبب مشکلاتی در پیش‌بینی مقاومت فشاری شده است. پارامترهایی نظیر مقدار سیمان، نسبت آب به مواد سیمانی، مقدار مواد سیمانی جایگزین و نسبت درشت‌دانه به ریزدانه اثر زیادی بر مقاومت فشاری بتن غلتکی دارند. در دهه‌های اخیر، مدل‌سازی به‌وسیله هوش مصنوعی، جایگاه ویژه‌ای در علوم فنی و مهندسی پیدا کرده است و پیش‌بینی رفتار موادی که با پیچیدگی‌های فراوانی روبه‌رو بوده، تا حدودی به کمک این روش میسر شده است. در این تحقیق، مجموعه‌ای از طرحهای اختلاط ساخته شده توسط مؤلفین و طرحهای اختلاط ساخته شده در مطالعات دیگر جمع‌آوری گردید. با در نظر گرفتن اجزای طرح اختلاط و سن نمونه‌ها به‌عنوان متغیرهای ورودی، مدل‌های شبکه عصبی مصنوعی، سیستم استنتاج فازی عصبی تطبیقی و ماشین‌های بردار پشتیبان برای پیش‌بینی مقاومت فشاری ساخته شدند. مقایسه نتایج نشانگر این است که مدل شبکه عصبی مصنوعی توانایی بیشتری نسبت به مدل‌های سیستم استنتاج فازی عصبی تطبیقی و ماشین بردار پشتیبان در پیش‌بینی مقاومت فشاری بتن غلتکی دارد. همچنین، مقاومت‌های تخمین زده شده توسط شبکه عصبی مصنوعی و ماشین بردار پشتیبان به ترتیب بیشترین و کمترین تطابق را با مقاومت فشاری واقعی دارند. مقدار ضریب همبستگی، ریشه میانگین مربعات خطا و میانگین خطای مطلق شبکه عصبی مصنوعی به ترتیب برابر با 9717/0، 4859/2 و 1396/2 است. این مقادیر برای ماشین بردار پشتیبان به ترتیب برابر 9566/0، 4013/3 و 0733/3 می‌باشند. | ||
| کلیدواژه‌ها | ||
| روسازی راه؛ مدل سازی؛ هوش مصنوعی؛ سیستم استنتاج فازی عصبی تطبیقی | ||
| عنوان مقاله [English] | ||
| Modeling Compressive Strength of Roller Compacted Concrete Pavement Using Artificial Neural Network, ANFIS and Support Vector Machine | ||
| نویسندگان [English] | ||
| mohammad emadi1؛ Seyed Hesam Madani2 | ||
| 1Graduate University of Advanced Technology, Kerman, I. R. Iran. | ||
| 2Faculty Member, Faculty of Civil and Geomatics Engineering, Graduate University of Advanced Technology, Kerman, I. R. Iran. | ||
| چکیده [English] | ||
| Nowadays, roller compacted concrete (RCC) is used in building dams and roads, and in recent years, using RCC is extended because of its advantages such as short construction time, availability of required materials, appropriate performance in cold regions and high life span. Compressive strength of RCC is the most important mechanical property that its enhancement can improve RCC performance. The sensitivity of RCC to its ingredients has caused some problems in prediction of the compressive strength. Parameters such as cement content, water-cement ratio, the amount of replaced cementitious materials and coarse to fine aggregates ratio affect the compressive strength of RCC. In recent decades, modeling by artificial intelligence has found a special place in technical sciences and engineering, and prediction of the behavior of complex cases has become possible with the help of this method. In this study, constructed design mixes by the authors and design mixes made in other studies were collected. By considering concrete constituents and samples age as input variables, several artificial neural network (ANN), adaptive neuro fuzzy inference system (ANFIS) and support vector machine (SVM) models were prepared to predict the compressive strength of RCC. Comparison of the results indicated that ANN model has more ability in predicting the compressive strength of RCC than ANFIS and SVM models. Also, the predicted compressive strength by ANN and SVM models had the highest and lowest match with actual compressive strength, respectively. The correlation coefficient, root mean square error and mean absolute error of ANN model were 0.9717, 2.4859 and 2.1396, respectively. These values were 0.9566, 3.4013 and 3.0733 for SVM model, respectively. | ||
| کلیدواژه‌ها [English] | ||
| Pavement, modeling, Artificial intelligence, Adaptive neuro fuzzy inference system | ||
| مراجع | ||
|
معاونت برنامه‌ریزی و نظارت راهبردی ریاست جمهوری. 1388. "راهنمای طراحی و اجرای بتن غلتکی در روسازی راه‌های کشور. نشریه شماره 354. عمادی، م. و مدنی، س. ح. 1395. " ارزیابی مدل‌های هوش مصنوعی در تخمین مقامت فشاری بتن غلتکی". هشتمین کنفرانس ملی سالانه بتن ایران، 15 تا 17 مهر، تهران. Abraham, A. 2005. “Artificial neural networks”. Handbook of Measuring System Design.
Alshihri, M. M., Azmy, A. M. and El-Bisy, M. S. 2009. “Neural networks for predicting compressive strength of structural light weight concrete”. Constr. Build. Mater., 23(6): 2214-2219.
Amani, J. and Moeini, R. 2012. “Prediction of shear strength of reinforced concrete beams using adaptive neuro-fuzzy inference system and artificial neural network”. Sci., Iran., 19: 242-248.
Atiş, C. D., Sevim, U. K., Özcan, F., Bilim, C., Karahan, O. and Tanrikulu, A. H. 2004. “Strength properties of roller compacted concrete containing a non-standard high calcium fly ash”. Mater. Lett., 58(9): 1446-1450.
Bilgehan, M. 2011. “Comparison of ANFIS and NN models- with a study in critical buckling load estimation”. Appl. Soft Comput. J. 11(4): 3779-3391.
Chithra, S., Senthil Kumar, S. R. R., Chinnaraju, K. and Ashmita, F. A. 2016. “A comparative study on the compressive strength prediction models for high performance concrete containing nano silica and copper slag using regression analysis and artificial neural networks”. Constr. Build. Mater., 114: 528-535.
Duan, Z. H., Kou, S. C. and Poon, C. S. 2013. “Prediction of compressive strength of recycled aggregate concrete using artificial neural networks”. Constr. Build. Mater., 40: 1200-1206.
Fausett, L. 1994. “Fundamentals of Neural Networks: Architectures, Algorithms, and Applications”. Prentice-Hall, Inc.
Gagne, R. 1999. “Proportioning for non-air-entrained RCCP”. Concrete Int., 21(5): 37-41.
Ni, H. G. and Wang, J. Z. 2000. “Prediction of compressive strength of concrete by neural networks”. Cement Concrete Res., 30(8): 1245-1250.
Jang, J. S. R. 1993. “ANFIS: Adaptive-network-based fuzzy inference system”. IEEE Trans. Sys., Man, Cyber., 23(3):665-685.
Kazeminezhad, M. H., Etemad-Shahidi, A. and Mousavi, S. J. 2005. “Application of fuzzy inference system in the prediction of wave parameters”. Ocean Eng., 32: 1709-1725.
Mardani-Aghabaglou, A., Andiç-Çakir, Ö. and Ramyar, K. 2013. “Freeze-thaw resistance and transport properties of high-volume fly ash roller compacted concrete designed by maximum density method.” Cement Concrete Compos., 37(1): 259-266.
Ozcan, F., Atis, C. D., Karahan, O., Oncuoglu, E. and Tanyildizi H., 2009. “Comparison of artificial neural network and fuzzy logic models for prediction of long-term compressive strength of silica fume concrete”. Adv. Eng. Software, 40: 856-863.
Pham, A. D., Hoang, N. D. and Nguyen, Q. T. 1993. “Predicting compressive strength of high-performance concrete using metaheuristic-optimized least squares support vector regression”. J. Comp. Civ. Eng., 30(3), DOI: 10.1061/(ASCE)CP.1943-5487.0000506.
Sadoghi Yazdi, J., Kalantary, F. and Sadoghi Yazdi, H. 2013. “Prediction of elastic modulus of concrete using support vector committee method”. J. Mater. Civ. Eng., 25(1): 9-20.
Sadrmomtazi, A., Sobhani, J. and Mirgozar, M. A. 2013. “Modeling compressive strength of EPS lightweight concrete using regression, neural network and ANFIS”. Constr. Build. Mater., 42: 205-216.
Sarıdemir, M. 2009. “Predicting the compressive strength of mortars containing metakaolin by artificial neural networks and fuzzy logic”. Adv. Eng. Software 40(9): 920-927.
Shafiei Nikabadi, A. and Azimi, M. 2015. “Demand forecasting in a supply chain using machine learning algorithms”. J. Model. Eng. 13(41): 127-136.
Sherrod, P. H. 2014. “DTREG: Predictive modeling software”.
Siddique, R., Aggarwal, P. and Aggarwal, Y. 2011. “Prediction of compressive strength of self-compacting concrete containing bottom ash using artificial neural networks”. Adv. Eng. Software, 42(10): 780-786.
Siddique, R., Aggarwal, P., Aggarwal, Y. and Gupta, S. M.. 2008. “Modeling properties of self-compacting concrete: Support vector machines approach”. Comp. Concrete, 5(5): 123-129.
Sobhani, J., Najimi, M., Pourkhorshidi, A. R. and Parhizkar, T. 2010. “Prediction of the compressive strength of no-slump concrete: A comparative study of regression, neural network and ANFIS models”. Constr. Build. Mater. 24(5): 709-718.
Sobhani, J., Khanzadi, M. and Movahedian-Attar, A. 2013. “Support vector machine for prediction of the compressive strength of no-slump concrete”. Comp. Concrete, 11(4): 337-350.
Trocoli, A., Dantas, A., Batista Leite, M. and De Jesus Nagahama, K. 2013. “Prediction of compressive strength of concrete containing construction and demolition waste using artificial neural networks”. Constr. Build. Mater. 38: 717-722.
| ||
|
آمار تعداد مشاهده مقاله: 1,690 تعداد دریافت فایل اصل مقاله: 1,685 |
||