پیش‎بینی مقاومت فشاری بتن خودتراکم توسط شبکه عصبی مصنوعی المان همراه با دو مجموعه متفاوت از پارامترهای ورودی

در سال‎های اخیر، شبکه‎های عصبی مصنوعی از یک رویکرد نظری به یک فن‎آوری با قابلیت استفاده گسترده همراه با برنامه‎های کاربردی موفق برای مسائل گوناگون تبدیل شده‎اند. در حقیقت، شبکه‌های عصبی مصنوعی یک ابزار محاسباتی قدرتمندی هستند که راه‎ حل‌های مناسبی را برای حل مسائلی ارائه می‌دهند که با استفاده از روش‌‎های مرسوم و سنتی دشوار هستند. امروزه این شبکه‏ها که از سیستم عصبی زیستی الهام گرفته‎ شده‎اند، به طور گسترده برای حل یک سطح وسیعی از مسائل پیچیده در مهندسی عمران نیز مورد استفاده قرار می‌گیرند. هدف از مطالعه حاضر، ارزیابی عملکرد شبکه‎های عصبی مصنوعی المان با در نظر گرفتن پارامترهای ورودی مختلف در پیش‎بینی مقاومت فشاری بتن خودتراکم می‎باشد. ازین‌رو، یک‌بار 8 پارامتر تاثیرگذار و بار دیگر جهت نزدیک ‌‌شدن هرچه بیشتر شرایط پیش‎بینی به شرایط آزمایشگاهی، 140پارامتر به عنوان ورودی وارد شبکه‎های عصبی المان شدند. طبق نتایج حاصله، شبکه‎ها‎ی عصبی المان به عنوان ابزار قابل اعتمادی با صرفه‎جویی در زمان و هزینه دارای قدرت بالایی در پیش‎بینی مشخصه‎های مورد نظر می‎باشند. به علاوه، در پیش‌بینی هر دو مقاومت فشاری 7 و 28 روزه، شبکه‎های ساخته شده با تعداد 140پارامتر به ترتیب به میزان 54.74 و 44.70 درصد بهبود در خطای تست نسبت به شبکه‌ها با 8 پارامتر دارند که این اثرگذاری مستقیم پارامترهای موثر در نظر گرفته شده به عنوان ورودی را بر میزان خطای شبکه در پیش‎بینی خواص مدنظر نشان می‎دهد.

Predicting the compressive strength of self-compacting concrete using Elman artificial neural network with two different sets of input parameters

In recent years, artificial neural networks converted from a theoretical approach to the widelyused technology with successful applications to different problems. In fact, artificial neural networks are a powerful tool that give appropriate solutions to problems which are difficult to solve through conventional techniques. Nowadays, these networks, which are inspired by the biological nervous system, are also extensively used to solve a wide range of complex problems in civil engineering. The purpose of the current study is a performance evaluation of the Elman artificial neural networks with various input parameters in order to predict the compressive strength of Self Compacting Concrete (SCC). Therefore, once, 8 effective parameters and next, in order to simulate a real experimental conditions, 140 parameters were entered as inputs in the Elman neural networks. According to the results, Elman neural networks, as a reliable tool, have high strength for predicting the desired properties along with saving time and cost. In addition, in both 7 and 28day compressive strength, the constructed networks with 140 input parameters compared to ones with 8, have 74.54 and 70.44 percent improvement respectively regarding their test errors. The effective inputs straightly affect the networks errors in the prediction of the desired properties.