پيش بيني مقاومت فشاري بتن خودتراكم حاوي خاكستر پوسته برنج با استفاده از مدلهاي داده مبنا

Prediction of the Compressive Strength of Self-compacting Concrete Containing Rice Husk Ash using Data Driven Models

ساخت و نگهداري روكش­هاي بتني از مسائل مهم و پرهزينه در دهه اخير بوده است. ازاين رو، استفاده از بتن خودتراكم به عنوان بتني با ويژگي هاي مقاومتي مطلوب و آلايندگي پايين مورد توجه قرار گرفته است. خواص مقاومتي بتن خودتراكم به فاكتورهاي مهمي از نسبت­هاي اختلاط وابسته بوده كه لزوم پژوهش هاي آزمايشگاهي و آناليز­هاي كامپيوتري هوشمند در ساخت آن را نمايان ساخته است. تعيين ميزان بهينه مواد تشكيل ­دهنده بتن به منظور رسيدن به مقاومت مطلوب، صرفه­ جويي در تعداد دفعات آزمايش و كاهش هزينه­ هاي انجام آزمايش­ها ارائه مدل­هاي رگرسيوني محاسباتي براي تخمين خواص مقاومتي بتن را مورد توجه قرار داده است. هدف اصلي در اين مطالعه ارائه رابطه­اي محاسباتي براي تخمين مقاومت فشاري بتن خودتراكم حاوي خاكستر پوسته برنج (RHA) با استفاده از رويكرد قدرتمندي به نام برنامه ­نويسي بيان ژن (GEP) مي­باشد. براي ارزيابي عملكرد مدل پيشنهادي GEP مطالعه­اي مقايسه­اي با استفاده از روش­هاي كلاسيك مدلسازي داده مبناي شبكه عصبي مصنوعي (ANN) و رگرسيون خطي چندگانه (MLR) نيز انجام شد. مجموعه داده­ هاي قابل اطمينان و مناسبي شامل 156 نمونه مقاومت فشاري حاوي RHA از مقالات معتبر جمع آوري و مورد استفاده قرار گرفت. عملكرد مدل­هاي پيشنهادي ارائه شده با استفاده از شاخص­هاي خطاي ضريب همبستگي (R)، ريشه ميانگين مربعات خطا (RMSE) و ميانگين خطاي مطلق (MAE) محاسبه و ارزيابي گرديد .نتايج شاخص­هاي خطا در ارزيابي عملكرد مدل­هاي توسعه داده شده نشان داد روش GEPدقت قابل توجه و مقادير خطاي كمتري در محاسبه داشته است. همچنين رابطه محاسباتي براساس عبارات بيان ژني در روش GEP براي پيش ­بيني مقاومت فشاري در سنين مختلف ارائه شد كه با شاخص همبستگي 0.94 و مقادير خطاي 4-5 مگاپاسكال دقت قابل توجهي را نشان داده است. رابطه ارائه شده به آساني مي تواند براي پيش طراحي نسبت­هاي اختلاط و همچنين كنترل سريع راه­ حلهايي قطعي مورد استفاده قرارگيرد .تحليل حساسيت براي مشخص كردن مقادير تاثيرگذار در مدل مقاومت فشاري ارائه شده نشان داد، متغير چسباننده در اين مدلسازي نسبت­هاي اختلاط بيشترين تاثير عملكردي را ايفا نموده است.

The construction and maintenance of structural pavement was a high-cost problem in last decade. The mechanical properties of self-compacting concrete (SCC) required important factors .From its mechanical properties, the compressive strength (CS) is necessary to investigate experimental and computational intelligence analysis in construction materials. Developing models with accurate estimation for this key property caused to saving costs and time and producing an optimal blend. Because of the many advantages, using of SCC in structures is increasing. Construction of precast-prefabricated components, with the use of concrete has also recently been considered. Concrete properties have significant role in precast-prefabricated girders behavior. Exact prediction of these properties is the base of member’s analysis and design. The main purpose of this study is presents new formulation to estimate the compressive strength of self-compacting concrete containing rice husk ash (RHA) using robust variant of genetic programming, namely gene expression programming (GEP) method. To evaluate the performance of the GEP-based proposed model, prediction was also done using classical data driven methods named artificial neural network (ANN) and multiple linear regression (MLR) models. A large and reliable experimental database containing the results of 156 compressive strength of SCC incorporating RHA is collated through an extensive review of the literature. The performance of proposed models of CS is then assessed using the database, and the results of this evaluation are presented using selected performance measures. New expressions for the estimation of CS of SCC are developed based on the database. To evaluate the modeling performances of the proposed GEP models for CS, different statistical metrics were used. Correlation coefficient (R), root mean square error (RMSE), mean absolute error (MAE) were used as the measure of precision. The results showed that the models developed using the aforementioned methods have accuracy over 90 percent in prediction of CS of SCC. The results of testing datasets are compared to experimental results and their comparisons demonstrate that the GEP model (R=0/94, RMSE= 4/308 and MAE=4/916) outperforms ANN (R=0/92, RMSE= 5/136 and MAE=5/624) and MLR (R=0/89, RMSE= 8/212 and MAE=9/472). Proposed models have a strong potential to predict compressive strength of SCC incorporating rice husk ash with great precision. The importance of different input parameters is also given for predicting the compressive strengths at various ages using gene expression programming. Performed sensitivity analysis to assign effective parameters on compressive strength indicates that cementitious binder content is the most effective variable in the mixture. The proposed design equation can readily be used for pre-design purposes or may be used as a fast check on deterministic solutions.