بهینه‌سازی طرح اختلاط بتن سبک نسبتا مقاوم با استفاده از روش شبکه عصبی مصنوعی

نوع مقاله : مقاله علمی-پژوهشی

نویسندگان

1 استادیار گروه مهندسی عمران، واحد تهران جنوب، دانشگاه آزاد اسلامی، تهران، ایران

2 کارشناسی ارشد، گروه مهندسی عمران، واحد صفادشت، دانشگاه آزاد اسلامی، تهران، ایران

چکیده

امروزه بتن به عنوان اصلی‌ترین مصالح در ساخت سازه در کشور عزیزمان ایران به کار می‌رود. از اینرو انواع بتن از لحاظ رفتار، وزن و مقاومت توسط محققین مختلف تحقیق شده و دغدغه مهم محققین از دیرباز بوده است. بتن سبک، بتن پر مقاومت، بتن متخلل، بتن خود متراکم و ... نمونه‌هایی از این تحقیقات در زمینه مهندسی عمران هستند که در سالهای اخیر سالیانه مسابقات مختلف نیز در این زمینه برگزار شده است. تحقیق حاضر به بحث و بررسی در زمینه طرح اختلاط نوع خاصی از بتن نسبتا سبک و نسبتا مقاوم بوده است. هدف اصلی از این مقاله بهینه‌سازی طرح اختلاط بتن مکعبی (5*5 سانتی‌متری) با استفاده از مدلهای شبکه عصبی مصنوعی است. برنامه آزمایشات در این تحقیق با 200 طرح اختلاط در زمینه بتن مکعبی و تهیه بانک اطلاعاتی شروع شده و با کاربرد انواع ساختار شبکه عصبی چندلایه پرسپترون مدلسازی شده است. شاخصهای ارزیابی مورد استفاده در این تحقیق شامل ضریب رگرسیون (R) و میانگین مربعات خطا (MSE) هستند که از آنها برای معرفی ساختار بهینه شبکه عصبی مصنوعی استفاده شده است. نتایج حاصل از مدلسازی بر پایه آزمونهای آزمایشگاهی انجام شده نشان دادند که ضریب همبستگی برای اکثر مدلها بیش از 85 درصد حاصل شده است که بر اساس معیار اشمیت از کارایی مناسب شبکه عصبی مصنوعی حکایت دارد. همچنین شبه عصبی با دولایه پنهان 8 نرونی با ضریب همبستگی میانگین 93 درصد در سه مجموعه یادگیری، آموزشی و ارزیابی و شاخص خطای میانگین 182/0 به عنوان ساختار بهینه در مجموعه ساختارهای مورد استفاده انتخاب شده است.

کلیدواژه‌ها

موضوعات


1- کلات جاری، و.، و منصوریان، پ.، 1387، دست یابی به بتن سبک سازه ای و بتن سبک مقاومت بالا با حداقل وزن، نشریه بین المللی مهندسی صنایع و مدیریت تولید (فارسی)(نشریه بین المللی علوم مهندسی), 19، 9، (ویژه نامه مهندسی معدن، مواد و عمران)), 95-101. https://www.sid.ir/fa/journal/ViewPaper.aspx?id=97982
2- انتظاری، ع.، و اسماعیلی، ج.، 1389، بررسی خصوصیات مکانیکی بتن سبک سازه ای. مهندسی عمران و محیط زیست (دانشکده فنی), 40، 2 (پیاپی 62)), 1-12. https://www.sid.ir/fa/journal/ViewPaper.aspx?id=220302
3- صدرممتازی، ع.، و نصرتی، ح.، 1391، بررسی روابط طراحی تیر بتن مسلح سبک سازهای حاوی سبک دانه های رس منبسط شده و پلی استایرن منبسط شده، تحقیقات بتن, 5، 2, 69-83. https://www.sid.ir/fa/journal/ViewPaper.aspx?id=218809
4- اسماعیلی، ج.، و کسایی، ج.، و رستمی مهر، ع.، و آتش فراز، ب.، 1395، بررسی خصوصیات مقاومتی و انتقالی بتن سبک خودتراکم حاوی الیاف پلی پروپیلن.، تحقیقات بتن،9، 1، 39-55. https://www.sid.ir/fa/journal/ViewPaper.aspx?id=284630
5-Emami M., 2014, Modelling and Prediction of Coarse Grained Alluvium behavior by pressuremeter test results and Laboratory chamber, Doctoral Dissertation, Tarbiat Modares University, Tehran. Iran
6- Emami M., 2009, Application of artifitial neural networks in pressuremeter test results, Master of Science thesis, Tarbiat Modares University. Tehran. Iran.
7- Kim Hung Mo, U. Johnson Alengaram, Mohd Zamin Jumaat, Soon Poh Yap, 2019, Feasibility study of high volume slag as cement replacement for sustainable structural lightweight oil palm shell concrete, Journal of Cleaner Production, 91, 297-304, https://doi.org/10.1016/j.jclepro.2014.12.021.
8- قاسم زاده موسوی نژاد، س.، و قربانی شمشادسرا، ی.، 1397، تاثیر میکروسیلیس و نانوسیلیس بر خواص مکانیکی بتن سبک الیافی، مهندسی عمران (دانشکده مهندسی), 31، 2 (پیاپی 22)، 129-141. https://www.sid.ir/fa/journal/ViewPaper.aspx?id=475025
9- Emami, M. and Yasrobi, S.S., 2014., Modeling and interpretation of pressuremeter test results with artificial neural networks, Geotechnical and Geological Engineering, 32, 2, 375-389.
10- Yasrebi, S. S., Emami, M., 2008, Application of Artificial Neural Networks (ANNs) in prediction and interpretation of pressuremeter test results, InThe 12th International Conference of International Association for Computer Methods and Advances in Geomechanics (IACMAG) 2008 Oct 1 (1634-1638).
11-Nodeh Farahani, J., Shafigh, P., and Bin Mahmud, H., 2017, Production of A Green Lightweight Aggregate Concrete by Incorporating High Volume Locally Available Waste Materials, Procedia Engineering,184, 778-783. https://doi.org/10.1016/j.proeng.2017.04.158.
12- پوراحمدی صفت عربانی، ح.، و صدرممتازی، ع.، و میر گذار لنگرودی، م.، و عمویی، م.، و کهنی خشکبیجاری، ر.، 1398، ارزیابی عملی استفاده از بتن های سبک خودتراکم در احداث سازه های بتن آرمه، مهندسی سازه و ساخت, 6(ویژه نامه 3 (پیاپی 28)), 193-204. https://www.sid.ir/fa/journal/ViewPaper.aspx?id=571336
13- ساجدی، س.، و هلاکویی، ح.، 1400، بررسی تاثیر آب مغناطیسی بر خواص رئولوژی و مکانیکی بتن های سبک، مهندسی سازه و ساخت, 8(3 ), 281-299. https://www.sid.ir/fa/journal/ViewPaper.aspx?id=571497
14-Emami, M., and Yasrobi, S. S., 2012, Modelling of pressuremeter tests with artifitial neural networks, Sharif Journal of Civil Engineering.
15- امامی کورنده، م.، نوربخش، س. ن.، 1399، بهینه سازی وزن سازه فولادی به کمک روش شبکه عصبی مصنوعی،  رویکردهای نوین در مهندسی عمران، 4، 4، 63- 77.
16- امامی کورنده، م.، عسگری، ب.، 1401، بررسی پارامترهای تاثیرگذار بر پدیده فروپاشی پیشرونده در سازه های فولادی به کمک شبکه عصبی مصنوعی، رویکردهای نوین در مهندسی عمران، 6، 2، 27- 44.