پیش بینی خواص بتن خودتراکم با استفاده از مدل های تلفیقی بر پایه الگوریتم های فرا ابتکاری

بتن یکی از اساسی ترین و پرمصرف ترین مصالح در صنعت ساخت و ساز می باشد. توسعه و نوآوری در این زمینه به معرفی بتن خودتراکم منجر شده که خود پیشرفت های عظیمی را به دنبال داشته است. طرح مخلوط بتن خودتراکم از مسائل بسیار با اهمیت بوده و لازم است تا مقادیر مصالح مصرفی در این بتن با دقت زیادی تعیین شود. از طرفی انجام آزمایش مقاومت فشاری بتن در سنین مقرر باعث، صرف هزینه زیاد، تولید پسماند بتن و آسیب به محیط زیست می شود. طی سالیان گذشته استفاده از روش های نوین هوش مصنوعی که توانایی یادگیری و مدل سازی مسائل پیچیده را دارند در حوزه تکنولوژی بتن افزایش یافته است. بنابراین تحقیق حاضر از روش های یادگیری ماشین مختلف، از جمله ماشین بردار پشتیبانی (SVM)، رگرسیون اسپلاین چند متغیره تطبیقی (MARS) و مدل درخت (Mp۵-MT) برای پیش بینی رفتارهای رئولوژی به همراه مقاومت فشاری بتن خودتراکم استفاده می کند. بدین منظور چهار پارامتر قطر جریان اسلامپ، نسبت جعبه (L)، مدت زمان قیف (V) و مقاومت فشاری ۲۸ روزه بتن از مراجع موثق جمع آوری شده است. مقدار بایندر، درصد مواد جایگزین سیمان (SCMs)، نسبت آب به بایندر، مقدار مصالح ریز و مصالح خشک و مقدار سوپرپلاستیسایزر به عنوان متغیرهای ورودی انتخاب شدند. با توجه به اینکه روش MARS دارای درون پارامترهایی (Hyperparameter) بوده که مقدار آنها بر دقت مدل بسیار تاثیرگذار است، در این تحقیق از تکنیک بهینه سازی الگوریتم جستجوی گرانش (Gravitational Search Algorithm, GSA) برای تعیین آنها استفاده شده است. نتایج این تحقیق نشان داد که مدل MARS ترکیب شده با تکنیک بهینه سازی الگوریتم جستجوی گرانش می تواند دقت پیش بینی متغیرهای مد نظر را به ترتیب تا ۳۵/۱، ۱/۱۱، ۳/۲ و ۰۷/۱ درصد نسبت به مدل MARS افزایش دهد. همچنین مدل Mp۵-MT توانایی بیشتری در پیش بینی نتایج در مقایسه با مدل MARS-GSA از خود نشان داد که به عنوان مدل منتخب برای پیش بینی رفتارهای رئولوژیکی و مقاومت فشاری بتن خودتراکم معرفی می گردد.

کلیدواژه ها:

بتن خودتراکم ، ویژگی های رئولوژی ، استحکام فشاری ، یادگیری ماشین ، الگوریتم بهینه سازی فرا ابتکاری