تخمین بعضی خواص بتن سبکدانه سازه ای با استفاده ازشبکه های عصبی مصنوعی و روشهای آماری

برای تخمین خواص بتن روشهای متعددی که عمدتا تجربی یا نیمه تجربی می باشند ارایه شده است اغلب این روشها همراه با خطا بوده و نیز درمحیط فیزیکی کمتر قابل کنترل می باشند درمورد بتن سبک دانه نیز نیاز به براورد خواص این نوع بتن به عنوان یک ماده چندبعدی توسط مدلهای ریاضی و بیولوژیکی تاثیرهریک ازاجزای اختلاط درتخمین خواص بتن سبکدانه LWAC زمان بربودن انجام ازمایشها لزوم انجام مکرر برخی ازاین ازمایشها برای همگرایی مطلوب و رابطه پیچیده ای که بین عوامل تاثیرگذار وجود دارد ازجمله دلایلی هستند که استفاده ازابزار کارایی مثل شبکه های عصبی مصنوعی Artificial Neural Networks را ایجاب میکنند ارایه مدلی برای پیش بینی مقاومت کوتاه مدت و درازمدت به همراه روانی و وزن مخصوص LWAC مهمترین هدف این مقاله می باشد دربخش شبکه های عصبی مصنوعی الگوریتم های متفاوت ازموشی پس انتشارخطا با بردارهای ورودی متفاوت و لایه میانی متغیر جهت تعیین الگوریتم و توپولوژی بهینه مورداستفاده قرارگرفته اند تعداد 125 طرح اختلاط مختلف با مقادیر متفاوت سیمان آب فوق روان کننده SP میکروسیلیسSF ریزدانه سبک و نیز درشت دانه های سبک درازمایشگاه بتن دانشگاه صنعتی سهند تبریز تهیه و کارایی وزن مخصوص و مقاومت فشاری نمونه ها درسنین متفاوت اندازه گیری شده اند ازبین داده های ازمایشگاهی بصورت تصادفی تعدادمحدودی برای کنترل کارایی شبکه انتخاب و بقیه برای اموزش بکه بکاربرده شده اند پس ازاموزش شبکه و کنترل کارایی آن و همچنین مشخص شدن اوزان تنظیمی نسبت به انالیز حساسیت داده ها اقدام شدها ست نتایج حاصل همخوانی بسیارمناسبی با مقادیر واقعی داده های ازمایشی دارند و نشانگر کارایی خوب شبکه های عصبی برای تخمین خواص بتن سبک دانه می باشند ازطرفی مقایسه نتایج شبکه های عصبی مصنوعی با نتایج تخمین زده شده با 6مدل اماری نشانگر این مساله بود که شبکه های عصبی مصنوعی میتوانند جایگزین خوبی برای مدل های اماری درجهت تخمین خواص بتن سبکدانه سازه ای باشند

کلیدواژه ها:

شبکه های عصبی مصنوعی ، سبکدانه طبیعی ، مدل آماری ، پیش بینی بعضی خواص بتن