بررسی مقاومت فشاری بتن با استفاده از هوش مصنوعی

به دلیل ویژگی هایی همانند پایداری، مقاومت، تنوع کاربرد و هزینه کم، استفاده از بتن در سالیان اخیر بسیار فراگیر بوده است. سنجش و محاسبه دقیق خصوصیات مکانی کیفیت بتن خواهد داشت. از جمله خصوصیات مکانیکی بسیار مهم در سنجش کیفیت بتن می توان به مقاومت فشاری اشاره نمود. چنانچه خصوصیت مکانیکی مقاومت فشاری بتن با دقت مناسبی محاسبه نشود می تواند خسارات جبران ناپذیر بسیاری را به سازه های در حال ساخت تحمیل نماید. در این پژوهش، اقدام به طراحی، توسعه، تحلیل و مقایسه میزان دقت انواع مختلف شبکه های عصبی شامل نزول گرادیان با یادگیری تطبیقی، لونبرگ مارکوارت، تکمرحله ای پس انتشار، پس انتشار شبه نیوتنی، پس انتشار ارتجاعی و گرادیان مزدوج مقیاس شده برای سنجش مقاومت فشاری بتن نموده ایم. جهت آموزش و اعتبارسنجی این شبکه های عصبی از نرم افزار متلب و ۱۰۳۰ نمونه از مجموعه داده های معتبر Concrete Compressive Strength مخزن یادگیری UCI استفاده شده است. پارامترهای موثر در بررسی مقاومت فشاری بتن در این پژوهش شامل سیمان، سرباره کوره بلند، خاکستر بادی، آب، فوق روان کننده، سنگدانه درشت، سنگ دانه ریز و سن بتن بوده است. جهت ارزیابی میزان دقت و کارایی سنجش مقاومت فشاری بتن توسط شبکه های عصبی مورد مقایسه پژوهش از معیارهای ضریب تعیین (۲R(، خطای میانگین مربعات (MSE) و میانگین خطای مطلق (MAE) استفاده شده است. مطابق با نتایج ارزیابی پژوهش، شبکه عصبی لونبرگ مارکوارت با مقدار ۹۹.۰ برای ضریب تعیین، مقدار ۱۷.۷۲۸۱ برای میانگین خطای مربعات و مقدار ۲.۳۸۶۹ میانگین خطای مطلق، نسبت به دیگر شبکه های عصبی مورد مقایسه پژوهش دارای دقت و کارایی بهتری برای سنجش مقاومت فشاری بتن بوده است.

کلیدواژه ها:

ضریب تعیین ، مقاومت فشاری ، مخلوط بتن ، هوش مصنوعی ، شبکه عصبی