راهبردهای عملیاتی جهت بررسی عملکرد مکانیکی بتن به کمک شبکه عصبی و هوش مصنوعی

هدف: این مطالعه با هدف بررسی پیش‌بینی خواص مقاومتی بتن به کمک انواع مختلف شبکه‌های عصبی انجام گرفت. داده‌های موردمطالعه در این پژوهش از بانک اطلاعاتی 127 طرح اختلاط جمع‌آوری‌ شده است. داده‌های ورودی شامل سن بتن برحسب روز، میزان درشت‌دانه، ریزدانه، سیمان، آب، روان‌کننده برحسب کیلوگرم بر سانتی‌متر مکعب بوده است و داده‌های هدف شامل مقاومت فشاری بوده است.روش‌شناسی پژوهش: در این پژوهش سعی شده با مطالعه آماری نمونه‌های آزمایشگاهی بتن جهت پروژه‌های گوناگون مدل‌هایی ساخته شود تا بتواند پیش‌بینی مناسبی جهت تخمین خواص مقاومتی بتن داشته باشد. استفاده از هوش‌مصنوعی به‌عنوان یک روش مدرن جایگاه ویژه‌ای در علوم مهندسی دارد. در این پژوهش داده‌های مورداستفاده ابتدا نرمال‌سازی شدند و سپس داده‌های موردنظر با استفاده از الگوریتم لورنبرگ مارکوارت مورد آزمایش قرار گرفت.یافته‌ها: معیارهای ارزیابی مدل‌های شبکه عصبی مصنوعی با استفاده از ارزیابی و خطا به‌دست آمد و نتایج نشان داد استفاده از 10 لایه مخفی دارای بیشترین ضریب همبستگی و کمترین خطا بوده است. ساختار این شبکه به‌صورت پرسپترون چندلایه بوده است. اصالت/ارزش‌افزوده علمی: نتایج نشان داد برای شبکه عصبی ساخته‌شده مقدار ضریب همبستگی، ریشه میانگین، مربعات خطا و میانگین خطای مطلق شبکه عصبی مصنوعی ساخته‌شده به ترتیب برابر است با 0/94، 1/9 بوده است.

operational strategies to the mechanical performance assessment of concrete with the neural network and artificial intelligence

purpose: this study was conducted to predicte the resistance properties of concrete with different types of neural networks. the studied data was collected from the database of 127 mixing plans. the input data included the age of concrete in day, the amount of coarse grain, fine grain, cement, water and concrete plasticizer. the target data included compressive strength.methodology: in this research, an attempt has been made to make models for different projects by statistical study of laboratory samples of concrete in order to have a suitable prediction for estimating the resistance properties of concrete. the use of artificial intelligence as a modern method has a special place in engineering sciences. in this research, the data used were first normalized and then the desired data were trained using the lorenberg marquardt algorithm.findings: the evaluation criteria of artificial neural network models were obtained using evaluation and error and the results showed that the use of 10 hidden layers had the highest correlation coefficient and the lowest error. the structure of this network was multi-layered perceptron.originality/value: the results showed that for the constructed neural network, the value of correlation coefficient, mean root, error square and mean absolute error of the artificial neural network were 0.94 and 1.9, respectively.