بررسی مقاومت بتن حاوی میکرو سیلیس و خاکستر بادی با استفاده از شبکۀ عصبی مصنوعی

امروزه روش‌های هوشمند و الهام گرفته از طبعیت در حل مسائل پیچیده طرفداران زیادی دارد. یکی از پرطرفدارترین و کاراترین این ساختارها، شبکه‌های عصبی مصنوعی هستند که قادرند یک رابطه کلی بین اطلاعات حجیم و پیچیده ناشی از آزمایشها و مثالهای تجربی به دست آورند. با گسترش روزافزون جمعیت و افزایش میزان ساخت و ساز و همچنین به دلیل محدود بودن منابع و مصالح مصرفی، تقاضا برای استفاده از مصالح جدید و مقاوم در برابر زلزله، در صنعت ساختمان افزایش پیدا کرده است. در این تحقیق، با در نظرگیری پارامترهای طرح اختلاط بتن به عنوان ورودی، از مدل‌سازی شبکۀ عصبی استاتیکی و سری زمانی برای پیش‌بینی مقاومت فشاری بتن استفاده خواهد شد. طرح‌های اختلاط با درصدهای مختلف خاکستر بادی و میکروسیلیس (%1، %5 ، %7 ، %10 ، % 12، %15، %18) و مخلوط میکروسیلیس و خاکستر بادی با درصدهای یکسان (%1 و %1 ، %3 و %3 ، %5 و %5 ، %7 و %7 ، %9 و %9 ، %10و %10 ) به عنوان درصدی از وزن سیمان، جهت بررسی عملکرد مدل‌های مورد استفاده، به کار گرفته شده است. بر اساس نتایج به‌دست آمده مدل‌های شبکۀ عصبی سری زمانی با 5 نورون عملکرد بسیار مناسبی برای پیش‌بینی مقاومت فشاری بتن با دقت و قابلیت اعتماد بیشتر، از خود نشان می‌دهد. همچنین جایگزینی میکروسیلیس به عنوان بخشی از سیمان در درصد‌های مختلف، عملکرد بهتری نسبت به خاکستر بادی و مخلوط این دو (سیلیس و خاکستر بادی) در افزایش مقاومت بتن نسبت به نمونۀ شاهد دارد.

prediction containing the micro silica and fly ash on concrete strength using artificial neural network (ann)

nowadays, intelligent methods inspired from nature are implemented to resolve complex problems, there are very popular too. the most common one is artificial neural network; they are capable to collect huge amount of complex information through experiments and tests. with increasing population and a rise in construction and also due to limited resources and consumable materials, demand for hot rolled earthquake-resistant materials in the construction industry has increased. the purpose of this research, by considering concrete mix design parameters as input, the static neural network and time-series modeling to predict the compressive strength of concrete will be used. mixing fly ash and silica fume various designs with different percentages (1%, 5%, 7%, 10%, 12%, 15%, 18%) and mixed with silica fume, fly ashes identical percentages (% 1% 1% 3 and 3%, 5% and 5%, 7% and 7%, 9% and 9%, 10% and 10%) as a percentage of the weight of cement, to evaluate the performance of the models in question were applied. it turned out that neural network models for predicting time series with 5 neurons performance concrete compressive strength is accurate and reliable.