Optimizing the Mix Design of Relatively Strength Lightweight Concrete Using the Artificial Neural Network Method

Document Type : Research Paper


1 Assistant Professor, Department of Civil Engineering, South Tehran Branch, Islamic Azad University, Tehran, Iran

2 M.Sc., Department of Civil Engineering, Safadasht Branch, Islamic Azad University, Tehran, Iran


Today, concrete is used as the main material in the construction of structures in our beloved country of Iran. Therefore, various types of concrete have been researched by different researchers in terms of behavior, weight, and resistance, and have been an important concern of researchers for a long time. Lightweight concrete, high-strength concrete, porous concrete, self-compacting concrete, etc. are examples of this research in the field of civil engineering, which has been held in various competitions in recent years. The present research has been discussed in the field of mixing design of a specific type of relatively light and relatively resistant concrete. The main goal of this article is to optimize the cubic concrete mixing design (5x5 cm) using artificial neural network models. The experiment program in this research started with 200 mixing designs in the field of cubic concrete and preparing a database and it was modeled by using various perceptron multilayer neural network structures. The evaluation indices used in this research include the regression coefficient (R) and the mean square error (MSE), which have been used to introduce the optimal structure of the artificial neural network. The results of the modeling based on the laboratory tests showed that the correlation coefficient for most of the models is more than 85%, which indicates the appropriate efficiency of the artificial neural network based on the Schmidt criterion. Also, pseudo-neuron with double hidden layer of 8 neurons with an average correlation coefficient of 93% in three sets of learning, training and evaluation and an average error index of 0.182 has been selected as the optimal structure in the set of structures used.


Main Subjects

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.