ارزیابی روش های هوشمند مصنوعی بر پایه الگوریتم های فرا ابتکاری برای تخمین مقاومت فشاری بتن سبک سازه ای حاوی لیکا

نوع مقاله : مقاله پژوهشی

نویسندگان

1 کارشناس ارشد،موسسه آموزش عالی طبری بابل

2 استادیارگروه عمران، موسسه آموزش عالی پردیسان، فریدونکنار، ایران

3 کارشناسی ارشد،مهندسی مدیریت ساخت، موسسه آموزش عالی پردیسان فریدونکنار

4 دانشجوی دکترا ،مهندسی و مدیریت ساخت، دانشگاه صنعتی نوشیروانی بابل

چکیده

یکی از خواص مهم مکانیکی بتن، مقاومت فشاری می باشد که بسیار تأثیر پذیر از طرح اختلاط بتن است. هدف اصلی در این پژوهش ، ارزیابی الگوریتم های فرا ابتکاری ترکیب شده با روش های هوشمند مصنوعی (مدل های ترکیبی) جهت ارائه روابطی برای پیش‌بینی مقاومت فشاری بتن لیکا، مقایسه آن با مدل های هوشمند مصنوعی دیگر،ارزیابی دقت مدل و پارامترهای تاثیرگزار و درنهایت اعتبارسنجی آن می باشد. در این مطالعه، 405 داده آزمایشگاهی درسنین28،7و90 روزاستفاده شده است. مدل های ارائه شده در این مطالعه با استفاه از روش‌های شبکه عصبی مصنوعی، اسپلاین رگرسیونی چندمتغیره (مارس) و مارس بهبود یافته با الگوریتم جستجوی کلاغ توسعه داده شد و نتایج آنها با استفاده از شاخص های خطا مورد بررسی قرار گرفت. در مرحله آزمایش ،پیش بینی مقادیر مقاومت فشاری مدل مارس بهبود یافته (002/39RMSE=،913/0= R) در مقایسه با روش‌های مارس (567/43RMSE=،899/0 =R) و شبکه عصبی مصنوعی (104/66RMSE=،852/0=R) دقت قابل توجهی را بیان نموده است. همچنین در آخر اعتبار مدل های توسعه داده شده مقاومت فشاری نیز، ازروش اعتبار سنجی خارجی ارزیابی گردید که اعتبار مدل ها مورد تایید و رضایت بخش بوده است.

کلیدواژه‌ها


عنوان مقاله [English]

Evaluation of artificial intelligence methods based on metaheuristic algorithms for estimating the compressive strength of lightweight structural concrete containing leca

نویسندگان [English]

  • Ali Ashrafian 1
  • Mohammad Javad Taheri Amiri 2
  • Niloofar Maleki 3
  • Milad Jamali 4
1 M.Sc, Tabari university, Babol, Iran
2 Pardisan university, Fereidoon kenar, Iran
3 M.Sc student, Pardisan university, Freidoonkenar, iran
4 phd candidate, Babol Nooshirvani University
چکیده [English]

Compressive strength (CS) is an important mechanical characteristic of concrete, which is highly perceptible from concrete mix design. The main objective of this study is investigate metaheuristic algorithms, combined with artificial intelligence methods (hybrid models), so as to provide relationships to estimate compressive strength of lightweight expanded clay aggregate (LECA) concrete, by comparing other Artificial inteligence models (AI models), assessing effective parameters and model accuracy and finally i validatt the result of the developed models. In this study, 405 laboratory samples in their 7, 28 and 90 days old age were used. Presented models in this study were expanded using artificial neural network (ANN), multivariate adaptive regression splines (MARS) and improved MARS with crow search algorithm (MARS-CSA). Statistical indicator named R, RMSE and MAE investigated results of the developed models. In testing performance, predicted compressive strength values of MARS-CSA (R= 0.913, RMSE= 39.002) indicated significant accuracy in comparison with MARS and ANN models.

کلیدواژه‌ها [English]

  • ARTIFICIAL INTELLIGENCE METHOD
  • MARS
  • Artificial Neural Network
  • Crow Search Algorithm
  • LECA CONCRETE