مدل‌سازی مقاومت نهایی پیوستگی میان بتن و frp با استفاده از روش ترکیب خوشه‌بندیk-means و روش کریجینگ

تخمین دقیق مقاومت نهایی چسبندگی میان بتن و مصالح کامپوزیت (frp) یکی از موارد مهمی می‌باشد که در طراحی اعضای بتن مسلح مقاوم‌سازی شده با frp، نقش بسزایی دارد. مطالعات آزمایشگاهی و عددی متعددی در این زمینه صورت گرفته است. به دلیل دشواری و هزینه‌بر بودن مطالعات آزمایشگاهی، استفاده از روش‌های هوش مصنوعی بهترین جایگزین برای این رویکرد‌ها می‌باشد. عموماً، برای استفاده از روش‌های هوش مصنوعی داده‌ها به‌صورت تصادفی به دو گروه آموزش و آزمایش تقسیم می‌شوند که براساس داده‌های آموزشی مدل توسعه داده شده و با داده‌های آزمایش ارزیابی می‌گردد. مشکلی که در استفاده از این روش‌ها وجود دارد این است که ممکن است مدل بر اساس یکسری داده خاص آموزش ببیند ولی در زمان آزمایش برای پیش‌بینی داده‌های با ویژگی‌ها متفاوت عملکرد ضعیفی داشته باشد. در این مطالعه ابتدا یک مجموعه داده‌های جامع از مطالعات گذشته در خصوص اتصال ورقه‌های frp به بتن جمع-آوری شد. این مجموعه شامل 532 نمونه آزمایشگاهی می‌باشد. همچنین برای اولین بار از روش ترکیبی روش خوشه‌بندی k-means و کریجینگ برای پیش‌بینی مقاومت نهایی اتصال ورق‌های frp و بتن استفاده شد. در این روش ابتدا داده‌های ورودی به مدل بر اساس میانگین‌شان در چند دسته قرار گرفته و در زمان فراخوانی این داده‌ها به مدل تخمین، به اندازه‌های مساوی از هر دسته فراخوانی می‌شود. در این مطالعه، توابع وابسته‌ساز (6 مدل)، درجه رگرسیون (3 درجه) و تعداد خوشه‌ها (3 خوشه) برای تحلیل با استفاده از روش ذکرشده، متفاوت در نظر گرفته شد و در میان این 54 مدل، بهترین مدل‌ها انتخاب شد. نتایج نشان می‌دهد، مقاومت نهایی پیش‌بینی شده با استفاده از مدل توسعه داده شده دارای مطابقت خوبی با داده‌های آزمایشگاهی می‌باشند و مدل‌ها با توابع وابسته‌ساز خطی با یک درجه رگرسیون و 6 و 5 خوشه به ترتیب با ضرایب همبستگی، 0.938 و 0.921 دارای عملکرد بهتری نسبت به بقیه مدل‌ها می‌باشد.

modeling the ultimate strength of the bond between concrete and frp using k-means clustering method and kriging method

accurate estimation of the ultimate bond strength between concrete and frp sheet is one of the important things that plays a significant role in the design of rc members strengthen with frp sheet. due to the difficulty and cost of experimental studies, the use of artificial intelligence methods is the best alternative for these approaches. generally, to use artificial intelligence methods, the data is randomly divided into two groups of training and testing, which is based on the training data of the model developed and evaluated with the test data. the problem in using these methods is that the model may be trained based on a set of specific data, but it performs poorly during testing to predict data with different characteristics. in this study, a comprehensive set of data was first collected from past studies regarding the bond of frp sheets to concrete. this collection includes 532 experimental specimens. also, for the first time, the combined method of k-means clustering and kriging was used to predict the ultimate strength of frp sheets and concrete. in this method, the input data to the model is first placed in several categories based on their average, and when these data are called to the estimation model, equal amounts of each category are called. in this study, dependent functions (6 models), regression degree (3 degrees) and the number of clusters (3 clusters) were considered different for analysis using the mentioned method, and among these 54 models, the best model was selected. the results show that the ultimate bond strength predicted using the developed model has a good agreement with the experimental results, and the models with linear dependent functions with one degree of regression and 6 and 5 clusters respectively with correlation coefficients, 0.938 and 0.921 have better performance than other models.