پیش بینی مقاومت فشاری بتن با استفاده از شبکه عصبی GMDH

سال انتشار: 1395
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 594

فایل این مقاله در 7 صفحه با فرمت PDF قابل دریافت می باشد

این مقاله در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

ICRSIE02_146

تاریخ نمایه سازی: 11 مرداد 1396

چکیده مقاله:

مقاومت فشاری هر ماده به صورت مقاومت در برابر خرابی تحت بار فشاری را گویند. به خصوص برای بتن، مقاومت فشاری، پارامتر مهمی جهت تعیین عملکرد مواد در طول مدتی که سرویس دهی می کنند، می باشد. پارامترهایی نظیر عیار سیمان، آب به مواد سیمانی، مواد جایگزین سیمان و غیره بر مقاومت فشاری بتن تاثیر گذار می باشند که با توجه به فراوانی پارامترها، پیش بینی مقاومت فشاری بتن دشوار گردیده است. امروزه مدلسازی به کمک شبکه های عصبی جایگاه ویژه ای در علوم فنی و مهندسی پیدا کرده و مدلسازی رفتار مواد که با پیچیدگی های فراوانی روبروست تا حدودی به کمک شبکه های عصبی میسر شده است. شبکه های عصبی مصنوعی الهام گرفته از شبکه های عصبی بیولوژیکی می باشد که عموما از واحدهای سلولی عصبی تشکیل شده و از طریق ارتباطی به نام اکسون با یکدیگر در ارتباط می باشند. به بیان ساده، از مدل های شبکه عصبی می توان به عنوان یک رگرسیون کاملا غیرخطی و پیچیده یاد کرد که براساس داده های ورودی و هدف آموزش دیده و قادر به پیش بینی شرایط بر اساس ورودی های جدید می باشد. در این مقاله از شبکه عصبی GMDH یک ابزار تخمینگر هوشمند به منظور پیش بینی مقاوت فشاری بتن استفاده شده است. نتایج بدست آمده از روش پیشنهادی در این مطالعه از کمترین خطا و دقت بالایی برخوردار است.

نویسندگان

مجید دهقانی

استادیار گروه مهندسی عمران، دانشگاه ولیعصر رفسنجان، ایران،

محمد دعاگو

دانشجوی کارشناسی ارشد، دانشکده مهندسی عمران، دانشگاه آزاد اسلامی واحد انار، ایران،

سلمان نیکویی

دانشجوی کارشناسی ارشد، دانشکده مهندسی عمران، دانشگاه آزاد اسلامی واحد انار، ایران،

محمد شریف شکوهی نیا

دانشجوی کارشناسی ارشد، دانشکده مهندسی عمران، دانشگاه آزاد اسلامی واحد انار، ایران،

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • کاوه، علی و ایران منش، عباس. 1387. شبکه های عصبی ...
  • M. Zain and S. Abd, "Multiple regression model for compressive ...
  • S. Tsivilis and G. Parissaki, "A mathematical model for tee ...
  • N. Hong-Guang and W. Ji-Zong, "Prediction of compressive strength of ...
  • A. Oztas, M. Pala, E. Ozbay, E. Kanca, N. Caglar ...
  • C. Bilim, C. Atis, H. Tanyildizi and O. Karahan, "Predicting ...
  • A. Ramezanianp Our, M. Sobhani and J. Sobhani, "Application of ...
  • M. Sardemir, "Predicting the compressive strength of mortars containing metakaolin ...
  • F. zcan, C. Atis, O. Karahan, E. Uncuoglu and H. ...
  • T. Ji, T. Lin and X. Lin, "A concrete mix ...
  • M. Nehdi, H. El Chabib and M. El Naggar, "Predicting ...
  • A. Oztas, M. Pala, E. Ozbay, A. Caglar and M. ...
  • M. Kewalramani and R. Gupta, "Concrete compressive strength prediction using ...
  • T. Parthiban, R. Ravi, G. Parthiban, S. Srinivasan, K. Ramakri ...
  • E. Guneyisi, M. Gesoglu, T. Ozturan and E. Ozbay, "Estimation ...
  • Dantas, A.T.A et al., ،Prediction of compressive strength of concrete ...
  • httb : //civildi gital . c O m/c ombressive- stre ...
  • Nariman -zadeh, N.; Darvizeh, A.; Darvizeh, MI.; Gharababaei, H., (2002), ...
  • نمایش کامل مراجع