روش pull - off برای پیش بینی مقاومت فشاری بتن خود تراکم مسلح با الیاف فولادی با بکارگیری پارامترهای بدون بعد

در این مطالعه تجزیه و تحلیل آماری در مورد پیش بینی مقاومت فشاری بتن خود تراکم مسلح به الیاف فولادی  (sfrscc) بر اساس نتایج آزمون pull-off با استفاده از مدل های رگرسیون خطی و غیرخطی ارائه شده است. برای این منظور ، یک برنامه آزمایشی گسترده شامل مقادیر مختلف سیمان و اندازه سنگدانه همراه با الیاف فولادی در مقادیر 0 ، 30 ، 50 و 80 کیلوگرم در متر مکعب انجام شد. دیسک های آلومینیومی و فولادی با قطر 50 میلی متر و 70 میلی متر با ضخامت های مختلف بکار گرفته شد. علاوه بر این ، اثر عمق مغزه گیری جزئی بر مقاومت pull-off  مورد بررسی قرار گرفت. اثرات خواص sfrscc و پارامترهای آزمون در معادلات پیشنهادی به صورت متغیرهای بدون بعد گنجانده شده است. نتایج نشان داد که هر دو مدل رگرسیون خطی و غیرخطی از توانایی بالایی به عنوان ابزاری قابل اطمینان برای پیش بینی مقاومت فشاری sfrscc برای sfrscc بر اساس آزمایش pull-off برخوردار هستند. در مدل رگرسیون خطی چندگانه برا ی پیش بینی مقاومت فشاری sfrscc برای دیسک آلومینیومی، تاثیرگذارترین پارامتر، عامل f/c بوده و عامل da/d دارای کمترین تاثیر بوده است و برای دیسک فولادی، موثرترین پارارمتر، f/c بوده و کمترین تاثیر مربوط به عامل da/d بوده است. با این حال، دقیق ترین نتایج از معادلات غیر خطی در مقایسه با مدل های خطی حاصل شده است.

pull-off method for predicting compressive strength of selfcompacting concrete reinforced with steel fibers using dimensionless parameters

in this study, a statistical analysis of the prediction of compressive strength of self-compacting steel fiberreinforced concrete (sfrscc) based on pull-off test results using linear and nonlinear regression models ispresented. for this purpose, an extensive test program was performed including different amounts of cementand aggregate size along with steel fibers in the amounts of 0, 30, 50 and 80 kg / m3. aluminum and steel discs with diameters of 50 mm and 70 mm with different thicknesses were used. in addition, the effect ofpartial core depth on pull-off resistance was investigated. the effects of sfrscc properties and testparameters are included in the proposed equations as dimensionless variables. the results showed that bothlinear and nonlinear regression models have high potential as a reliable tool for predicting sfrscccompressive strength based on pull-off experiments. in the multiple linear regression model for predictingsfrscc compressive strength for aluminum disc, the most effective parameter is f / c factor and da / dfactor has the least effect and for steel disc, the most effective parameter is f / c and the lowest effect isrelated. to the da / d factor. however, the most accurate results are obtained from nonlinear equationscompared to linear models.