تخمین خواص اساسی بتن‌های با مقاومت بالا HSC با روش‌های آماری و شبکه‌های عصبی مصنوعی A.N.Ns و مقایسه آنها

نوع مقاله: مقاله پژوهشی

نویسندگان

چکیده

بر آورد خواص بتن، به عنوان ماده‌ای مرکب بوسیله مدل‌های ریاضی و فیزیکی و بررسی تأثیر هر یک از اجزاء طرح اختلاط در چگونگی تغییرات خواص آن، همواره مورد اهتمام دانشمندان حوزه عمران بوده است. تکثر پارامترهای تأثیرگذار در خواص بتن و ارتباط عمدتاً غیر خطی پارامترهای تأثیرگذار با خواص بتن و نیز زمان طولانی برای تعیین برخی از خواص بتن از عمدتاً دلایل این امر است. در این مقاله با استفاده از طرح اختلاط‌های به عمل آمده در محدوده بتن‌های رایج با مقاومت بالا در آزمایشگاه بتن دانشگاه صنعتی سهند توسط نویسندگان، با استفاده از مدل‌ها و شبکه‌های عصبی مصنوعی، نسبت به تخمین خواص اساسی بتن اقدام شده است. در هر دو مدل، معرفی طرح اختلاط به صورت داده‌های بدون بعد و داده‌های اصلاح شده انجام گرفته است. اگر چه در حالت اعداد بدون بعد تفوق شبکه‌های عصبی مصنوعی بر مدل‌های آماری قطعی است اما در حالت استفاده از اعداد اصلاح شده این امر چندان صادق نیست. هر چند که هر دو مدل در هر حالت، تخمینگرهای مناسبی از خواص مذکور هستند.

عنوان مقاله [English]

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

نویسندگان [English]

  • mehdi rezai
  • Mohammadreza henaglo
  • hassan afshin

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.