پیش بینی ضریب نفوذپذیری بتن با استفاده از شبکه های عصبی نوع GMDH و الگوریتم ژنتیک

پیش بینی ضریب نفوذپذیری بتن به عنوان یک پارامتر کلیدی و تاثیرگذار در عمق مفید یک سازه بتنی از اهمیت بالایی برخودار می باشد. روشهای تجربی در این زمینه دارای معایبی همچون زمانبری بالا، هزینه زیاد، کمیاب بودن ادوات آزمایشگاهی، وجود یونهای مزاحم در حین آزمایش و ایجادخطاهای ناخواسته و دور شدن از مدل صحیح می باشند؛ لذا در این تحقیق الگوریتم ژنتیک و تجزیه مقادیر منفرد (SVD) به ترتیب برای بهینه سازی اتصالات و یافتن ضرایب شبکه های عصبی نوع GMDH برای مدل کردن ضریب نفوذپذیری یون کلر در بتن مورد استفاده قرار گرفته اند. هدف از این مدل سازی پیدا کردن ارتباط ریاضی بین ضریب نفوذپذیری بتن با پارامترهای موثر بر آن یعنی نسبت آب به سیمان، درجه هیدراتاسیون، درصد حجمی مصالح سنگی و درصد میکروسیلیس می باشد. یک روش جدید کدگذاری برای طراحی عمومی شبکه های عصبی نوع GMDH پیشنهاد شده است که محدودیت استفاده از لایه مجاور را ندارد. استفاده از این نوع کد گذاری دستیابی به بهینه ترین شبکه از نظر تعداد لایه های مخفی و یا تعداد نرون را میسر می سازد.

کلیدواژه ها:

شبکه عصبی GMDH ، ضریب نفوذپذیری بتن ، یون کلر ، الگوریتم ژنتیک ، تجزیه مقادیر منفرد (SVD)