پیش‌بینی مقاومت فشاری بتن با استفاده از شبکه عصبی آموزش‌دیده در نرم‌افزارمتلب

روزانه در سراسر جهان از بتن بعنوان یک مصالح ساختمانی استفاده می‎شود. از اینرو تخمین مقاومت فشاری آن بدون استفاده از آزمایشگاه جهت ارائه طرح اختلاط، می‎تواند باعث صرفه جویی در هزینه ها و زمان گردد. شبکه‌های عصبی مصنوعی به‌عنوان یکی از روش‌های پیشرفته یادگیری ماشین، توانایی بالایی در مدل‌سازی روابط پیچیده و غیرخطی بین داده‌ها دارند. در این پژوهش، به بررسی اصول و عملکرد شبکه‌های عصبی مصنوعی و کاربرد آن‌ها در مهندسی عمران پرداخته شده است. تمرکز اصلی تحقیق بر توسعه یک مدل پیش‌بینی مقاومت فشاری بتن با استفاده از شبکه های عصبی در محیط نرم افزارمتلب است. برای این منظور، از یک سری داده معتبر شامل سیمان، آب، میکروسیلیس، خاکستر بادی، سرباره کوره اهنگدازی، روان کننده و مصالح سنگی بهمراه مقاومت فشاری بتن ساخته شده با آن‎ها مورد استفاده قرار گرفت و شبکه عصبی با معماری مناسب (یک لایه پنهان) آموزش داده شد. نتایج نشان داد که مدل توسعه‌یافته قادر است با دقت بالا مقاومت فشاری بتن را پیش‌بینی کرده و زمان و هزینه آزمایش‌های فیزیکی را کاهش دهد. این رویکرد می‌تواند به‌عنوان ابزاری هوشمند در فرآیند طراحی اختلاط بتن و بهینه‌سازی پروژه‌های عمرانی مورد استفاده قرار گیرد.

predicting concrete compressive strength using a neural network trained in matlab software

concrete is used daily worldwide as a construction material. consequently, estimating its compressive strength without laboratory testing for mix design purposes can lead to savings in both cost and time. artificial neural networks (anns), as an advanced machine learning method, possess a high capability for modeling complex, non-linear relationships between data. this research investigates the principles and functioning of anns and their application in civil engineering. the primary focus of the study is on developing a predictive model for concrete compressive strength using neural networks in the matlab software environment. for this purpose, a validated dataset comprising cement, water, microsilica, fly ash, ground granulated blast-furnace slag, superplasticizer, and aggregates, along with the compressive strength of concrete made with them, was utilized. a neural network with an appropriate architecture (one hidden layer) was trained. the results demonstrated that the developed model can predict the compressive strength of concrete with high accuracy, thereby reducing the time and cost associated with physical tests. this approach can serve as an intelligent tool in the concrete mix design process and the optimization of civil engineering projects.