بهینه سازی طرح اختلاط بتن خود تراکم پایدار با رویکرد چند هدفه مبتنی برهوش مصنوعی

توسعه ی مصالح ساختمانی پایدار در سال های اخیر به یکی از موضوعات کلیدی مهندسی عمران تبدیل شده است. بتن خودتراکم (Self Compacting Concrete - SCC) به دلیل ویژگی های برجسته در روانی، تراکم پذیری و کیفیت سطح، گزینه ای مناسب برای بهبود بهره وری ساخت و کاهش خطاهای انسانی محسوب می شود. با این حال طراحی طرح اختلاط SCC به گونه ای که ضمن حفظ خواص مکانیکی و رئولوژیکی مطلوب اثرات زیست محیطی و هزینه تولید را نیز کاهش دهد از جمله چالش های اساسی در حوزه ی مصالح پایدار است. ماهیت غیرخطی و چندمتغیره روابط بین اجزای بتن موجب شده است که روش های سنتی طراحی نتوانند پاسخ بهینه ای برای این مسئله ی چندهدفه ارائه دهند. در پژوهش حاضر به منظور دستیابی به ترکیب بهینه ی مصالح بتن خودتراکم پایدار از رویکردی ترکیبی مبتنی بر هوش مصنوعی و الگوریتم های بهینه سازی چندهدفه استفاده شده است. در گام نخست، مدل شبکه عصبی مصنوعی (ANN) با داده های تجربی آموزش داده شد تا بتواند مقاومت فشاری و روانی بتن را با دقت بالا پیش بینی کند. سپس با به کارگیری الگوریتم ژنتیک چندهدفه (NSGA-II) توابع هدف شامل حداکثرسازی مقاومت فشاری، بهینه سازی جریان پذیری و حداقل سازی شاخص پایداری زیست محیطی مورد تحلیل قرار گرفتند. نتایج به دست آمده نشان داد که ترکیب این دو رویکرد قادر است نسبت های اختلاطی ارائه دهد که ضمن کاهش مصرف سیمان و انتشار CO۲ تا حدودی خواص مکانیکی و رئولوژیکی بتن را در سطح مطلوب حفظ کند. یافته های این تحقیق نشان می دهد که بهره گیری از مدل های یادگیری ماشین و بهینه سازی چندهدفه ابزاری کارآمد برای طراحی طرح اختلاط بتن های نوین و پایدار فراهم می آورد و می تواند به عنوان روشی جایگزین برای فرآیندهای پرهزینه و تجربی طراحی سنتی مورد استفاده قرار گیرد.

کلیدواژه ها:

بتن ، بهینه سازی چندهدفه ، هوش مصنوعی ، الگوریتم ژنتیک ، پایداری زیست محیطی ، شبکه عصبی مصنوعی ، کاهش انتشار CO۲ ، مصالح جایگزین سیمان ، فراابتکاری ، طراحی مصالح نوین خودتراکم