پیش بینی مقاومت فشاری بتن خودتراکم حاوی خاکستر پوسته برنج با استفاده از مدل های داده مبنا

ساخت و نگهداری روکش های بتنی از مسائل مهم و پرهزینه در دهه اخیر بوده است. ازاین رو، استفاده از بتن خودتراکم به عنوان بتنی با ویژگی های مقاومتی مطلوب و آلایندگی پایین مورد توجه قرار گرفته است. خواص مقاومتی بتن خودتراکم به فاکتورهای مهمی از نسبت های اختلاط وابسته بوده که لزوم پژوهش های آزمایشگاهی و آنالیز های کامپیوتری هوشمند در ساخت آن را نمایان ساخته است. تعیین میزان بهینه مواد تشکیل دهنده بتن به منظور رسیدن به مقاومت مطلوب، صرفه جویی در تعداد دفعات آزمایش و کاهش هزینه های انجام آزمایش ها ارائه مدل های رگرسیونی محاسباتی برای تخمین خواص مقاومتی بتن را مورد توجه قرار داده است. هدف اصلی در این مطالعه ارائه رابطه ای محاسباتی برای تخمین مقاومت فشاری بتن خودتراکم حاوی خاکستر پوسته برنج (rha) با استفاده از رویکرد قدرتمندی به نام برنامه نویسی بیان ژن (gep) می باشد. برای ارزیابی عملکرد مدل پیشنهادی gep مطالعه ای مقایسه ای با استفاده از روش های کلاسیک مدلسازی داده مبنای شبکه عصبی مصنوعی (ann) و رگرسیون خطی چندگانه (mlr) نیز انجام شد. مجموعه داده های قابل اطمینان و مناسبی شامل 156 نمونه مقاومت فشاری حاوی rha از مقالات معتبر جمع آوری و مورد استفاده قرار گرفت. عملکرد مدل های پیشنهادی ارائه شده با استفاده از شاخص های خطای ضریب همبستگی (r)، ریشه میانگین مربعات خطا (rmse) و میانگین خطای مطلق (mae) محاسبه و ارزیابی گردید .نتایج شاخص های خطا در ارزیابی عملکرد مدل های توسعه داده شده نشان داد روش gepدقت قابل توجه و مقادیر خطای کمتری در محاسبه داشته است. همچنین رابطه محاسباتی براساس عبارات بیان ژنی در روش gep برای پیش بینی مقاومت فشاری در سنین مختلف ارائه شد که با شاخص همبستگی 0.94 و مقادیر خطای 4-5 مگاپاسکال دقت قابل توجهی را نشان داده است. رابطه ارائه شده به آسانی می تواند برای پیش طراحی نسبت های اختلاط و همچنین کنترل سریع راه حلهایی قطعی مورد استفاده قرارگیرد .تحلیل حساسیت برای مشخص کردن مقادیر تاثیرگذار در مدل مقاومت فشاری ارائه شده نشان داد، متغیر چسباننده در این مدلسازی نسبت های اختلاط بیشترین تاثیر عملکردی را ایفا نموده است.

Prediction of the Compressive Strength of Self-compacting Concrete containing Rice Husk Ash using Data Driven Models

The construction and maintenance of structural pavement was a highcost problem in last decade. The mechanical properties of self compacting concrete (SCC) required important factors .From its mechanical properties, the compressive strength (CS) is necessary to investigate experimental and computational intelligence analysis in construction materials. Developing models with accurate estimation for this key property caused to saving costs and time and producing an optimal blend. Because of the many advantages, using of SCC in structures is increasing. Construction of precastprefabricated components, with the use of concrete has also recently been considered. Concrete properties have significant role in precastprefabricated girders behavior. Exact prediction of these properties is the base of member rsquo;s analysis and design. The main purpose of this study is presents new formulation to estimate the compressive strength of selfcompacting concrete containing rice husk ash (RHA) using robust variant of genetic programming, namely gene expression programming (GEP) method. To evaluate the performance of the GEPbased proposed model, prediction was also done using classical data driven methods named artificial neural network (ANN) and multiple linear regression (MLR) models. A large and reliable experimental database containing the results of 156 compressive strength of SCC incorporating RHA is collated through an extensive review of the literature. The performance of proposed models of CS is then assessed using the database, and the results of this evaluation are presented using selected performance measures. New expressions for the estimation of CS of SCC are developed based on the database. To evaluate the modeling performances of the proposed GEP models for CS, different statistical metrics were used. Correlation coefficient (R), root mean square error (RMSE), mean absolute error (MAE) were used as the measure of precision. The results showed that the models developed using the aforementioned methods have accuracy over 90 percent in prediction of CS of SCC. The results of testing datasets are compared to experimental results and their comparisons demonstrate that the GEP model (R=0.94, RMSE= 4.308 and MAE=4.916) outperforms ANN (R=0.92, RMSE= 5.136 and MAE=5.624) and MLR (R=0.89, RMSE= 8.212 and MAE=9.472). Proposed models have a strong potential to predict compressive strength of self compacting concrete incorporating rice husk ash with great precision. The importance of different input parameters is also given for predicting the compressive strengths at various ages using gene expression programming. Performed sensitivity analysis to assign effective parameters on compressive strength indicates that cementitious binder content is the most effective variable in the mixture. The assessment results present that the performance of the proposed models are in close agreement with the experimental results. Moreover, the new GEPbased formulation provides improved estimates of the compressive strength of SCC compared to ANN and MLR models. The proposed design equation can readily be used for predesign purposes or may be used as a fast check on deterministic solutions.