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 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 | ||
| 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 | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 161 |
||
| تعداد نشریات | 22 |
| تعداد شمارهها | 723 |
| تعداد مقالات | 10,397 |
| تعداد مشاهده مقاله | 72,868,154 |
| تعداد دریافت فایل اصل مقاله | 64,558,050 |