بکارگیری روش شبکه عصبی در تخمین مقاومت فشاری بتن حاوی الیاف فولادی با استفاده از آزمایش break-off

در این مقاله آزمایش نیمه مخرب break-off برای ارزیابی مقاومت بتن حاوی الیاف فولادی در محل مورد بررسی قرار گرفته است. در سالهای اخیر، استفاده از مقادیر کم الیاف فولادی، بعنوان یکی از راه‌حل های مناسب مقابله با مشکل شکست ناگهانی بتن توسعه یافته است. جهت فراهم کردن یک پایگاه آماری کامل و جامع، 24 طرح اختلاط با مقادیر مختلف عیار سیمان 400، 450 و 500 کیلوگرم بر متر مکعب، با نسبت آب به سیمان ثابت 0.4، حداکثر اندازه سنگدانه 12.5و 25 میلیمتر و الیاف فولادی با نسبت‌های حجمی 0، 0.33، 0.67 و 1 درصد انتخاب گردید. سپس، عوامل تاثیرگذار بر خصوصیات بتن حاوی الیاف فولادی و همچنین نتایج آزمایش break-off مورد ارزیابی قرار گرفته است. بررسی نتایج آزمایشگاهی حاکی از آن است که درصد و مشخصات الیاف فولادی بکار رفته در بتن، نتایج آزمایش break-off را تحت تاثیر قرار می دهد. همچنین، در این مقاله جهت پیش بینی مقاومت فشاری نمونه های بتنی در سنین مختلف از مدلسازی عددی شبکه عصبی استفاده شده است. شبکه های عصبی مصنوعی قابلیت آموزش دیدن را از روی نمونه های موجود و تعمیم دادن رفتار را بخوبی دارا می‌باشند. این مسئله، شبکه‌های عصبی را به یک ابزار قوی جهت مدل کردن مکانیزم های پیچیده علوم مهندسی تبدیل می کند. شاخص های مختلف آماری برای مقایسه عملکرد مدل در نظر گرفته شده است. نتایج نشان می دهد که مدل شبکه عصبی عملکرد مطلوبی در پیش‌بینی مقاومت فشاری بتن دارد.

Evaluation of neural network model for compressive strength of the steel fiber reinforced concrete using break-off method

In the present paper breakoff test as a partiallydestructive method is used for durability evaluation of steel fiber reinforced concrete. In recent years, utilizations of steel fibers have been known as an appropriate solution method for sudden fracture of concrete. In order to provide a comprehensive statistical database, 24 mixtures are designed with various cement content (400, 450, and 500 Kg/m3), maximum aggregate size (12.5, 25 mm), steel fibre volume fractions (0, 0.33, 0.67, 1 %), and the constant water/cement ratio of 0.4 for all mixtures. Hence, influencing factors of steel fiber reinforced concrete characteristics and breakoff test results are evaluated. The investigations show that the volume fraction of steel fibers and its features significantly affect the results of breakoff test. Furthermore, in this study conventional numerical neural networks are developed for predicting the compressive strength of concrete with various mixtures and ages. ANN is sophisticatedly capable of being trained from the existent data and extending their behavior on a new dataset. This ability introduced ANN as an apt tool for modeling the complex mechanisms and systems in engineering applications. Statistical indices are used to compare the efficiency and accuracy of models. The result of this study has confirmed the accuracy of artificial neural network models in determination of the compressive strength of concrete.