بررسی عملکرد شبکه‎های عصبی مصنوعی در پیش‎بینی خواص تازه و سخت شده‎ی بتن خودتراکم

بتن خودتراکم (scc)، یک نوع جدیدی از بتن با عملکرد بالا (hpc) محسوب می شود که دارای خواص قابل توجه‎ای از جمله شکل‎پذیری بالا و مقاومت در برابر جداشدگی می‎باشد که اولین بار در ژاپن در سال 1986 گسترش یافته است. استفاده از این بتن منجر به کاهش در میزان سرو صدا در محیط کار (به دلیل حذف عمل ویبره)، شرایط کاری امن‎تر و در نهایت بهبود در کیفیت و دوام سطح بتنی می‎شود. همانند بتن های دیگر، خواص این بتن از طریق انجام مقدار زیادی کار آزمایشگاهی به دست می آید. اما کارهای آزمایشگاهی نیازمند به تلاش و صرف زمان و هرینه ی زیادی هستند. از این‎رو، استفاده از یک تکنیک جدید به منظور کاهش در تلاش، صرفه جویی در زمان و هزینه می تواند بسیار مفید باشد. استفاده از ابزار های محاسباتی، مانند شبکه های عصبی مصنوعی برای حل مسائل پیچیده ی مهندسی، آن هم زمانی که تنها اطلاعات موجود شامل پارامترهایی از مسئله و نتایج موردنظر آن می باشد، مفید نشان داده شده است. در حقیقت، شبکه‎های عصبی مصنوعی یک ابزار محاسباتی قدرتمندی هستند که راه‎حل‎های مناسبی را برای حل مسائلی ارائه می دهند که با استفاده از روش‎های مرسوم و سنتی دشوار هستند. در این تحقیق کاربرد شبکه های عصبی مصنوعی المان و شعاعی (rbf) در پیش‎بینی خواص بتن خودتراکم شامل: مقاومت فشاری، مقاومت کششی، مقاومت خمشی، مدول الاستیسیته، درصد جذب آب و آزمایشات jring، vfunnel، t5min، slump و rcpt ارائه داده می شود. مدل‎های شبکه عصبی با استفاده از 749 داده‎ای که از منابع گوناگون جمع آوری گردید ساخته شدند. پس از ساخت شبکه‎ها، در ابتدا 8 پارامتر موثر و سپس به منظور شبیه‎سازی با شرایط آزمایشگاهی واقعی، 140 پارامتر به عنوان ورودی وارد شبکه‎ها شدند. در میان مقالات خارجی و داخلی ارائه شده در زمینه ‎ی پیش‎بینی خواص بتن، این تعداد منحصر بفرد می باشد. نتایج نشان داد که هر دو شبکه المان وrbf قادر به پیش‎بینی خواص مدنظر بتن خودتراکم با دقت خوبی می باشند، اما شبکه های المان در مقایسه با شبکه‎های شعاعی از دقت بالاتری برخوردار هستند. به علاوه، مقایسه بین شبکه‎ها با 8 و 140 پارامتر ورودی نشان داد که شبکه ها با 140 پارامتر ورودی دارای خطای تست کمتر و دقت بهتری نسبت به شبکه‎ها با 8 ورودی در پیش‎بینی خواص مدنظر می‎باشند. این نشان می دهد که تعداد پارامترهای ورودی اثر مستقیمی بر میزان دقت شبکه‎ها در پیش‎بینی خواص مدنظر دارد.