ارزیابی عملکرد مدل های شبکه عصبی مصنوعی، نروفازی و رگرسیون چند متغیره در پیش بینی مقاومت فشاری بتن به کمک روش بارنقطه ای

امروزه تعیین مقاومت بتن درجا مورد توجه می‌باشد. ضرورت انجام آزمایشات درجا را می‌توان در عامل‌های مختلفی چون تغییر یا توسعه سازه، بررسی کیفیت، ارزیابی مقاومت و عملکرد بتن جستجو نمود. در این پژوهش عملکرد مدل‌های شبکه عصبی مصنوعی، نروفازی تطبیقی و رگرسیون چندمتغیره با هدف سنجش مقاومت فشاری بتن با روش بارنقطه‌ای مورد مطالعه قرار می‌گیرد. همچنین رابطه‌ای محاسباتی بر اساس روش رگرسیون چند‌متغیره برای پیش‌بینی مقاومت فشاری بتن با روش بارنقطه‌ای ارائه می‌گردد. نتیجه‌ها نشان‌دهنده مناسب بودن مدل‌های شبکه عصبی، نروفازی و رگرسیون در پیش‌بینی مقاومت بتن به روش بارنقطه‌ای می‌باشد. ضریب همبستگی برای مدل شبکه عصبی، نروفازی و رگرسیون غیر خطی به ترتیب 0.9412، 0.8244 و 0.8938 می‌باشند که نشاندهنده خطای کمتر و در‌نتیجه دقت و عملکرد بهتر شبکه عصبی در پیش‌بینی مقاومت بتن به روش بارنقطه‌ای دارد. نتیجه این پژوهش نشان داد که توافق خوبی میان سنجش مقاومت فشاری بتن به کمک روش‌های مبتنی بر محاسبات نرم و مشاهدات واقعی وجود دارد که علاوه بر سهولت، موجب کاهش زمان ارزیابی مقاومت بتن درجا و کاهش هزینه‌ی مطالعات آزمایشگاهی می‌شود.

Evaluation of artificial neural network, neuro-fuzzy and multivariate regression modelling for prediction of concrete compressive strength via point load test

Nowadays, the determination of in place concrete strength is more considered. The necessity of in situ testing can be expressed in a variety of applications such as structural change or development, quality control, strength evaluation and concrete performance. In this study the performance of Artificial neural network, Adaptive neurofuzzy and Multivariate regression function for measuring the concrete compressive strength with point load method are studied. Also, a computational relation is presented based on multivariate regression method for prediction of concrete compressive strength with point load method. The results indicated that the neural network, neurofuzzy and regression models are suitable in prediction of concrete strength with point load method. The correlation coefficients of neural network, neurofuzzy and nonlinear regression models were obtained 0.9412, 0.8244 and 0.8938 respectively. This indicates less error and as a result better accuracy and performance of neural network in prediction of concrete strength with point load method. The results of this study showed that there is good agreement between concrete compressive strength test with soft computing methods and real observations. The proposed method of this study, in addition to ease, reduces the time of evaluation of in situ concrete strength and reduces the cost of laboratory studies.