تركيب مدل‌هاي شبكه عصبي براي پيش‌بيني مقاومت چسبندگي ميلگردهاي پليمري با الياف شيشه به بتن

Combining Neural Network Models to Prediction the Bond Strength of Glass FRP to Concrete

استفاده از مصالح FRP و ساير مصالح كامپوزيتي به عنوان ميلگرد يا ورق، يكي از گزينه‌هاي مناسب فني و اقتصادي در ساخت، بهسازي و مقاوم‌سازي سازه‌هايي نظير سازه‌هاي بتني است. يكي از مهمترين مسائلي كه بايد در مورد استفاده از چنين مصالحي مدنظر قرار گيرد، مقاومت چسبندگي آنها به بتن سازه‌اي است. در اين مقاله، تأثير تركيب مدل‌هاي پيش‌بيني گروهي با مد‌‌ل‌هاي تخمين منفرد بر روي بهتر شدن نتايج مدل‌هاي منفرد برآورد مقاومت چسبندگي ميلگردهاي FRP با الياف شيشه به بتن مورد بررسي قرار مي‌گيرد. براي رسيدن به اين هدف ابتدا از شبكه‌هاي عصبي با ورودي‌هاي نتايج پيش‌بيني دو مدل منفرد قبلأ ارائه شده براي برآورد مقاومت چسبندگي GFRP به منظور بهبود نتيجه بهترين مدل از ميان دو مدل مذكور استفاده مي‌شود. سپس با درنظرگيري خروجي-هاي پيش‌بيني مدل شبكه عصبي اول و بهترين مدل منفرد از بين دو مدل فوق‌الذكر به عنوان ورودي، دوباره از شبكه‌هاي عصبي براي ارائه يك مدل بهتر از مدل ANN اول استفاده مي‌شود. نتايج انتهايي نشان از كاهش خطاي پيش‌بيني مدل ANN تركيب شده از روش-هاي منفرد و گروهي نسبت به مدل‌هاي منفرد قبلأ ارائه شده، مدل ميانگين وزن‌دار نتايج خروجي پيش‌بيني شده‌ دو مدل منفرد مذكور و مدل ANN تركيبي آن دو مدل منفرد مي‌دهند.

The use of FRP and other composite materials as bar or sheets is one of the most technically and economically viable options in the construction, refurbishment, and reinforcement of structures such as concrete structures. One of the most important issues to consider when using such materials is their bond strength to structural concrete. In this paper, the effect of combining ensemble prediction models with single estimation models on improving the results of single models is estimated to estimate the bond strength of GFRP bars to concrete. To this end, neural networks with predictive results inputs are first used to estimate the bond strength of GFRP to improve the best model result from the two previous models- Be. Then, by considering the prediction outputs of the first neural network model and the best single model above mentioned as input, the neural networks are again used to present a better model than the first ANN model. The final results show the reduction of the prediction error of the ANN model combined with single and ensemble methods compared to the single models previously presented, the weighted average output model of the two single models above and the ANN model. The combination of the two models usefulness a single.