کاربردی شبکه های عصبی و الگوریتم های ژنتیک در تعیین طرح اختلاط بتن با مقاومت بالا

مقاومت بتن به عنوان یکی از مهمترین پارامترهای لازم برای طراحی به عوامل بسیار زیادی از قبیل طرح اختلاط بتن ،جنس مواد تشکیل دهنده بتن، شرایط آزمایشگاهی، مهارت های فرد آزمایش کننده، خطاهای آزمایشگاهی و ... بستگی دارد از آنجایی که بسیاری از این عوامل نامعلوم بوده و نمی توان به فرمولاسیون خاص و نسبتا دقیقی برای مقاومت بتن دست یافت، لذا بکاربردن روشی که ورای فرمول های معمول ریاضی بتواند تا حد قابل قبول مقاومت بتن را پیش بینی کند، حائز اهمیت خواهد بود. امروز استفاده از شبکه های عصبی که الهام گرفته از رفتار مغز ونرون های عصبی است در مسائلی که ماهیتا دارای مجهولات زیادی بوده و در مواردی دسترسی به حل آنها ناممکن می نماید رو به افزایش است.در بخش اول این تحقیق با در دست داشتن نتایج تعداد بسیار زیادی نمونه آزمایشگاهی (شامل درصدهای اجزای تشکیل دهنده نمونه و مقاومت نمونه مورد نظر) شبکه عصبی سه لایه با الگوریتم آموزش پس انتشار خطا و با استفاده از توابع انتقال سیگوئید و خطی در لایه های میانی و خروجی ، آموزش داده خواهد شد. پس از آزمایش شبکه این قابلیت را خواهد داشت که با داشتن اوزان اجزای تشکیل دهنده یک متر مکعب بتن مقاومت فشاری آن را پیش بینی کند. در بخش دوم این تحقیق با استفاده ار الگوریتم های ژنتیک در یک فضای چند بعدی که هر بعد آن یکی از اجزای تشکیل دهنده بتن با مقاومت بالا می باشد به جستجو می پردازیم تا به نقطه مورد نظر که دارای مقاومت بیشینه خواهد بود برسیم . الگوریتم های ژنتیک الگوریتم های جستجویی هستند که بر اساس سازو کار انتخاب طبیعی و ژنتیک طبیعی بنا نهاده شده اند. این الگوریتم ها مناسب ترین رشته ها را از میان اطلاعات تصادفی سازماندهی شده با روش جستجوی آسانی انتخاب می کنند. در هر نسل یگ گروه جدید رشته ها با استفاده از بهترین قسمتهای دنباله های قبلی و بخش جدید اتفاقی برای رسیدن به یک جواب مناسب بوجود می آید. هنگام پیشامدسازی الگوریتم های وراثتی عمل پیشامد سازی ساده را نمی پیمایند بلکه آنها داده های پیشین را با تفکر انتخاب نقاط جستجوی جدید برای رسیدن به پیشرفت مورد نظر توام می کند. تابع برازش مورد استفاده در الگوریتم ژنتیک بکار رفته در این تحقیق شبکه عصبی سه لایه ای است که دارای یک نرون در لایه خروجی و ده نرون در هر یک از دو لایه پنهان میانی بوده و با استفاده از الگویتم آموزش پس از انتشار خطا در بخش اول تحقیق آموزش داده شده است.