19711

۱۹۷۱۱

پيش بيني برخي خواص دوام بتن با استفاده از شبكه عصبي مصنوعي و منطق فازي

كارشناسي ارشد

مديريت ساخت

آبان ۱۳۹۷

۱۳۹۷/۸/۲۳

دكتر پرويز قدوسي- دكتر علي اكبر شيرزادي جاويد

عمران

گستره دوام بتن به مراتب وسيع تر از موضوع مقاومت فشاري آن مي باشد. در مورد دوام بتن پيچيدگي بيشتري به دليل ساز و كارهاي متفاوت و آزمايش هاي گوناگون وجود دارد. دوام بتن از طريق آزمايش هاي دوام مورد ارزيابي قرار مي گيرد كه معمولا زمان و هزينه زيادي لازم دارند. يكي از راهكار هاي كاهش اين هزينه ها استفاده از مدل سازي در مبحث دوام بتن است. در اين تحقيق عملكرد شبكه عصبي مصنوعي، مدلANFIS و مدل برنامه ريزي ژنتيك(GP) براي پيش بيني نفوذپذيري بتن در برابر يون كلرايد از طريق آزمايش نفوذ پذيري تسريع شده يون كلرايد(RCPT) مورد بررسي قرار گرفته است. براي اين مدل سازي از141 داده كه از مقالات ديگر بدست آمده بود استفاده شده و براي ارزيابي مدل هاي ايجاد شده از دو پارامتر ميانگين مربعات خطا و ضريب همبستگي استفاده شده است. نتايج تحقيق و بررسي ميانگين مربعات خطا و ضريب همبستگي نشان داد كه دو مدل شبكه عصبي و ANFIS توانايي بسيار بالايي در پيش بيني نفوذپذيري بتن در برابر يون كلرايد بر اساس نتايج آزمايش RCPT دارند. براي مدل شبكه عصبي مصنوعي مقدار ميانگين مربعات خطا براي مجموع داده ها 0/0033 و مقدار ضريب همبستگي 0/98بدست آمد كه نشان دهنده عملكرد مناسب مدل شبكه عصبي مي باشد. براي مدل ANFIS نيز مقادير ميانگين مربعات خطا و ضريب همبستگي به ترتيب 0/00049 و 0/99 بدست آمد كه نشان دهنده اين است كه مدل ANFIS عملكرد بهتري نسبت به مدل شبكه عصبي دارد. براي مدل برنامه ريزي ژنتيك(GP) نيز مقادير ميانگين مربعات خطا و ضريب همبستگي به ترتيب 0/0168و 0/82 بدست آمد كه نشان دهنده اين است كه اين مدل نسبت به دو مدل ديگر توانايي كمتري براي پيش بيني نفوذپذيري بتن در برابر يون كلرايد دارد. واژه‌هاي كليدي: دوام بتن، شبكه عصبي مصنوعي، مدلANFIS، برنامه ريزي ژنتيك، آزمايشRCPT.

1397/09/07

Prediction of some concrete durability properties artificial using neural networks and fuzzy logic

3/20/2019 12:00:00 AM

Abstract: The durability of concrete is far broader than its strength. Concrete durability is more complex because of different mechanisms and experiments. Concrete durability is assessed through durability tests, which usually require a lot of time and cost. One of the ways to reduce these costs is to use modeling in concrete durability. In this research, the performance of artificial neural network, ANFIS neuro-fuzzy model and Genetic Programing model for predicting the permeability of concrete against chloride ion has been investigated through rapid chloride permeability test (RCPT). For this modeling, 141 data obtained from other papers were used and for estimating the created models, two parameters of mean squared error and correlation coefficient were used. The results of the study and mean square error and correlation coefficient showed that both neural network model and ANFIS model have a very high ability to predict the permeability of concrete against chloride ion based on RCPT test results. For the artificial neural network model, the mean square error for the total data was 0.0033 and the correlation coefficient was 0.98 which indicates the proper performance of the neural network model. For the ANFIS model, the mean square error and correlation coefficient were 0.00049 and 0.99, which indicates that the ANFIS model has a better performance than the neural network model. For the Genetic Programing Model (GP), the mean squared error and correlation coefficient were 0.0168 and 0.82, respectively, indicating that this model has lower ability to predict the permeability of concrete against chloride ion than the other two models. Keywords: Concrete durability, artificial neural network,ANFIS model, Genetic Programing, RCPT test