مدلسازی طرح اختلاط بتن متخلخل با استفاده از شبکه عصبی مصنوعی

نوع مقاله : مقاله علمی-پژوهشی

نویسندگان

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

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

3 کارشناسی ارشد، گروه مهندسی عمران، واحد تهران جنوب، دانشگاه آزاد اسلامی، تهران، ایران

چکیده

بتن پرکاربردترین مصالح در صنعت ساخت و ساز کشور به شمار می‌رود. بتن متخلخل نیز به جهت دارا بودن خواص خاص مانند نفوذپذیری بالا همواره مورد توجه محققین قرار داشته است. مقاله حاضر به تعیین طرح مخلوط بتن متخلل با مقاومت مشخص بر پایه برنامه آزمایشگاهی و مدلسازی به روش استفاده از شبکه عصبی مصنوعی پرداخته است. برنامه آزمایشات در این تحقیق با 200 طرح اختلاط در زمینه بتن متخلل استوانه‌ای و تهیه بانک اطلاعاتی شروع شده و با کاربرد انواع شبکه عصبی چند لایه پرسپترون (MLP) مدلسازی شده است. شاخصهای ارزیابی شامل ضریب رگرسیون و میانگین مربعات خطا برای بررسی کارایی ساختارهای شبکه عصبی مصنوعی استفاده شده است. نتایج نشان دادند که ضریب رگرسیون حاصل در اکثر ساختارهای به کار رفته بالای 85 درصد بوده و در شبکه عصبی با ساختار بهینه برابر 95 درصد به دست آمده است. همچنین شاخص خطای مورد ارزیابی در شبکه عصبی با ساختار بهینه 121/0 تعیین 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- Hung Mo, K., Johnson Alengaram, U., Zamin Jumaat, M., and Poh Yap, S., 2015, 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, 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., and Emami, M., 2008, Application of Artificial Neural Networks (ANNs) in prediction and interpretation of pressuremeter test results, In The 12th International Conference of International Association for Computer Methods and Advances in Geomechanics (IACMAG), 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 Pages 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 ، 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., Yasrobi, S. S., 2012, Modelling of pressuremeter tests with artifitial neural networks, Sharif Journal of Civil Engineering, 2, 4, 25-36.