کاربرد شبکه‎ی عصبی پیش‎خور (Feed Forward) همراه با پارامتر‌های ورودی مختلف در پیش‎بینی خواص مکانیکی بتن خودتراکم

نوع مقاله: مقاله پژوهشی

نویسندگان

1 کارشناسی ارشد مهندسی و مدیریت ساخت، موسسه آموزش عالی طبری بابل، بابل،ایران

2 استادیار و رئیس موسسه آموزش عالی طبری بابل

چکیده

در این مقاله، از شبکه عصبی مصنوعی به عنوان ابزاری با صرفه‎جویی در زمان و هزینه، برای پیش‎بینی مقاومت فشاری، کششی و خمشی بتن خودتراکم استفاده شده است. مدل‌های شبکه عصبی مصنوعی پیشخور با استفاده از داده‎های آزمایشگاهی قابل دسترس از طرح اختلاط‎های مختلف از بتن خودتراکم که از منابع گوناگون بدست آمدند، طراحی شدند. به منظور نشان دادن تاثیر پارامترهای ورودی انتخابی بر میزان خطای تست شبکه در پیش‌بینی خواص مدنظر، داده‎های مورد استفاده درمدل‌های شبکه عصبی در دو فرمت 8 و 140 پارامتر ورودی تنظیم شدند. مطابق با نتایج حاصله، شبکه‎های بهینه شده‎ی پیش‌خور قادر به پیش‌بینی خواص بتن خودتراکم با دقت مناسبی هستند. به علاوه، برای تمامی خواص مدنظر، شبکه‎ها با 140 پارامتر ورودی دارای دقت بالاتری نسبت به شبکه‌ها با 8 ورودی می‏باشند. در حقیقت، داده‌های موثری که به عنوان ورودی برای شبکه‎های عصبی انتخاب می‌شوند قادرند دقت پیش‌بینی را از طریق شبیه‌سازی هرچه بیشتر شرایط پیش‌بینی به شرایط آزمایشگاهی به طرز چشمگیری افزایش دهند.

کلیدواژه‌ها


عنوان مقاله [English]

Application of Feed Forward Neural Network along with Different Input Parameters for Predicting the Mechanical Properties of SCC

نویسندگان [English]

  • Atefeh Gholamzadeh Chitgar 1
  • Javad Berenjian 2
1 M.Sc. Student of Construction Engineering and Management, Department of Civil Engineering, Tabari Institute of Higher Education, Babol, Iran
2 Assistant Professor and Head of the Tabari Institute of Higher Education, Babol, Iran
چکیده [English]

In this article, artificial neural network, as a time – and budget – saving tool, was applied for predicting the compressive, tensile and flexural strength of Self-Compacting Concrete (SSC). Feed Forward ANN models were designed using the available test data of different concrete mix-designs of SCC were obtained from different sources. In order to show the effect of the selected input parameters on the amounts of the test error in the prediction of the desired properties, data used in ANN models were arranged in two formats of 8 and 140 input parameters. According to the results, the optimized Feed Forward networks are able to predict the properties of SCC with suitable accuracy. In addition, for all of the desired properties, the accuracy of the networks with 140 inputs is higher than networks with 8 inputs. In fact, the effective data that are selected as inputs in the ANNs can significantly increase the prediction precision by more simulation the prediction conditions to the experimental conditions.

کلیدواژه‌ها [English]

  • Self-Compacting Concrete
  • prediction
  • Artificial Neural Network
  • Input