بررسي مقاومت بتن حاوي ميكرو سيليس و خاكستر بادي با استفاده از شبكۀ عصبي مصنوعي

Prediction Containing the Micro Silica and Fly ash on Concrete Strength Using Artificial Neural Network (ANN)

امروزه روش‌هاي هوشمند و الهام گرفته از طبعيت در حل مسائل پيچيده طرفداران زيادي دارد. يكي از پرطرفدارترين و كاراترين اين ساختارها، شبكه‌هاي عصبي مصنوعي هستند كه قادرند يك رابطه كلي بين اطلاعات حجيم و پيچيده ناشي از آزمايشها و مثالهاي تجربي به دست آورند. با گسترش روزافزون جمعيت و افزايش ميزان ساخت و ساز و همچنين به دليل محدود بودن منابع و مصالح مصرفي، تقاضا براي استفاده از مصالح جديد و مقاوم در برابر زلزله، در صنعت ساختمان افزايش پيدا كرده است. در اين تحقيق، با در نظرگيري پارامترهاي طرح اختلاط بتن به عنوان ورودي، از مدل‌سازي شبكۀ عصبي استاتيكي و سري زماني براي پيش‌بيني مقاومت فشاري بتن استفاده خواهد شد. طرح‌هاي اختلاط با درصدهاي مختلف خاكستر بادي و ميكروسيليس (%1، %5 ، %7 ، %10 ، % 12، %15، %18) و مخلوط ميكروسيليس و خاكستر بادي با درصدهاي يكسان (%1 و %1 ، %3 و %3 ، %5 و %5 ، %7 و %7 ، %9 و %9 ، %10و %10 ) به عنوان درصدي از وزن سيمان، جهت بررسي عملكرد مدل‌هاي مورد استفاده، به كار گرفته شده است. بر اساس نتايج به‌دست آمده مدل‌هاي شبكۀ عصبي سري زماني با 5 نورون عملكرد بسيار مناسبي براي پيش‌بيني مقاومت فشاري بتن با دقت و قابليت اعتماد بيشتر، از خود نشان مي‌دهد. همچنين جايگزيني ميكروسيليس به عنوان بخشي از سيمان در درصد‌هاي مختلف، عملكرد بهتري نسبت به خاكستر بادي و مخلوط اين دو (سيليس و خاكستر بادي) در افزايش مقاومت بتن نسبت به نمونۀ شاهد دارد.

Nowadays, intelligent methods inspired from nature are implemented to resolve complex problems, there are very popular too. The most common one is artificial neural network; they are capable to collect huge amount of complex information through experiments and tests. With increasing population and a rise in construction and also due to limited resources and consumable materials, demand for hot rolled earthquake-resistant materials in the construction industry has increased. The purpose of this research, by considering concrete mix design parameters as input, the Static neural network and Time-series modeling to predict the compressive strength of concrete will be used. Mixing fly ash and silica fume various designs with different percentages (1%, 5%, 7%, 10%, 12%, 15%, 18%) and mixed with silica fume, fly ashes identical percentages (% 1% 1% 3 and 3%, 5% and 5%, 7% and 7%, 9% and 9%, 10% and 10%) as a percentage of the weight of cement, to evaluate the performance of the models in question were applied. It turned out that neural network models for predicting time series with 5 neurons performance concrete compressive strength is accurate and reliable.