بكارگيري روش شبكه عصبي در تخمين مقاومت فشاري بتن حاوي الياف فولادي با استفاده از آزمايش break-off

Evaluation of neural network model for compressive strength of the steel fiber reinforced concrete using break-off method

در اين مقاله آزمايش نيمه مخرب break-off براي ارزيابي مقاومت بتن حاوي الياف فولادي در محل مورد بررسي قرار گرفته است. در سالهاي اخير، استفاده از مقادير كم الياف فولادي، بعنوان يكي از راه‌حل هاي مناسب مقابله با مشكل شكست ناگهاني بتن توسعه يافته است. جهت فراهم كردن يك پايگاه آماري كامل و جامع، 24 طرح اختلاط با مقادير مختلف عيار سيمان 400، 450 و 500 كيلوگرم بر متر مكعب، با نسبت آب به سيمان ثابت 0/4، حداكثر اندازه سنگدانه 12/5 و 25 ميليمتر و الياف فولادي با نسبت‌هاي حجمي 0، 0/33، 0/67 و 1 درصد انتخاب گرديد. سپس، عوامل تاثيرگذار بر خصوصيات بتن حاوي الياف فولادي و همچنين نتايج آزمايش Break-off مورد ارزيابي قرار گرفته است. بررسي نتايج آزمايشگاهي حاكي از آن است كه درصد و مشخصات الياف فولادي بكار رفته در بتن، نتايج آزمايش Break-off را تحت تاثير قرار مي دهد. همچنين، در اين مقاله جهت پيش بيني مقاومت فشاري نمونه هاي بتني در سنين مختلف از مدلسازي عددي شبكه عصبي استفاده شده است. شبكه هاي عصبي مصنوعي قابليت آموزش ديدن را از روي نمونه-هاي موجود و تعميم دادن رفتار را بخوبي دارا مي‌باشند. اين مسئله، شبكه‌هاي عصبي را به يك ابزار قوي جهت مدل كردن مكانيزم هاي پيچيده علوم مهندسي تبديل مي كند. شاخص هاي مختلف آماري براي مقايسه عملكرد مدل در نظر گرفته شده است. نتايج نشان مي-دهد كه مدل شبكه عصبي عملكرد مطلوبي در پيش‌بيني مقاومت فشاري بتن دارد.

In the present paper break-off test as a partially-destructive method is used for durability evaluation of steel fiber reinforced concrete. In recent years, utilizations of steel fibers have been known as an appropriate solution method for sudden fracture of concrete. In order to provide a comprehensive statistical database, 24 mixtures are designed with various cement content (400, 450, and 500 Kg/m3), maximum aggregate size (12.5, 25 mm), steel fibre volume fractions (0, 0.33, 0.67, 1 %), and the constant water/cement ratio of 0.4 for all mixtures. Hence, influencing factors of steel fiber reinforced concrete characteristics and break-off test results are evaluated. The investigations show that the volume fraction of steel fibers and its features significantly affect the results of break-off test. Furthermore, in this study conventional numerical neural networks are developed for predicting the compressive strength of concrete with various mixtures and ages. ANN is sophisticatedly capable of being trained from the existent data and extending their behavior on a new dataset. This ability introduced ANN as an apt tool for modeling the complex mechanisms and systems in engineering applications. Statistical indices are used to compare the efficiency and accuracy of models. The result of this study has confirmed the accuracy of artificial neural network models in determination of the compressive strength of concrete.