تخمين خواص اساسي بتن‌هاي با مقاومت بالا HSC با روش‌هاي آماري و شبكه‌هاي عصبي مصنوعي A.N.Ns و مقايسه آنها

Estimating the Properties of Fundamental High Strength Concrete with Statistical Methods and A.N.Ns and their Comparison

بر آورد خواص بتن، به عنوان ماده‌اي مركب بوسيله مدل‌هاي رياضي و فيزيكي و بررسي تاثير هر يك از اجزا طرح اختلاط در چگونگي تغييرات خواص آن، همواره مورد اهتمام دانشمندان حوزه عمران بوده است. تكثر پارامترهاي تاثيرگذار در خواص بتن و ارتباط عمدتاً غير خطي پارامترهاي تاثيرگذار با خواص بتن و نيز زمان طولاني براي تعيين برخي از خواص بتن از عمدتاً دلايل اين امر است. در اين مقاله با استفاده از طرح اختلاط‌هاي به عمل آمده در محدوده بتن‌هاي رايج با مقاومت بالا در آزمايشگاه بتن دانشگاه صنعتي سهند توسط نويسندگان، با استفاده از مدل‌ها و شبكه‌هاي عصبي مصنوعي، نسبت به تخمين خواص اساسي بتن اقدام شده است. در هر دو مدل، معرفي طرح اختلاط به صورت داده‌هاي بدون بعد و داده‌هاي اصلاح شده انجام گرفته است. اگر چه در حالت اعداد بدون بعد تفوق شبكه‌هاي عصبي مصنوعي بر مدل‌هاي آماري قطعي است اما در حالت استفاده از اعداد اصلاح شده اين امر چندان صادق نيست. هر چند كه هر دو مدل در هر حالت، تخمينگرهاي مناسبي از خواص مذكور هستند.

Civil engineers and scientists usually have attempted to estimate properties of concrete as combined material by mathematical and physics models and they evaluate the influence of elements of mixing design in the way of features varing. The main cause of this case in enlarqine influencing parameters in properties of concrete and mainly the relation of unlinear influencing parameters with concrete features and taking long time for determining some concrete features. In this research, we have attempted to estimate main feature of concrete by designing applied mixing in the field of common concrete with high strength in Sahand laboratory by taking use of artificial nervous nets and models, in both of these famous models mixing plan as data un dimension numerical completely go together with A.N.Ns in statistic models, this fact is not true in the case of using corrected numbers. Both of these models are good assessment of mentioned properties.