نوع مقاله : مقاله پژوهشی

نویسندگان

• هادی فقیه ملکی ¹
• مهدی غدیری ²

¹ Tonekabon. Mazandaran, Iran Mirkarimi St.

² دانشجوی کارشناسی ارشد مهندسی عمران، دانشکده مهندسی عمران، موسسه آموزش عالی آیندگان، تنکابن ایران

چکیده

هدف: این مطالعه باهدف بررسی پیش‌بینی خواص مقاومتی بتن به کمک انواع مختلف شبکه‌های عصبی انجام گرفت. داده‌های موردمطالعه در این پژوهش از بانک اطلاعاتی 127 طرح اختلاط جمع‌آوری‌شده است. داده‌های ورودی شامل سن بتن برحسب روز، میزان درشت‌دانه، ریزدانه، سیمان، آب، روان کننده برحسب کیلوگرم بر سانتی‌متر مکعب بوده است و داده‌های هدف شامل مقاومت فشاری بوده است جمع‌آوری‌شده است.

روش‌شناسی پژوهش: . استفاده از هوش مصنوعی به‌عنوان یک روش مدرن جایگاه ویژه‌ای در علوم مهندسی دارد. در این پژوهش داده‌های مورداستفاده ابتدا نرمال‌سازی شدند و سپس داده‌های موردنظر با استفاده از الگوریتم لورنبرگ مارکوارت مورد آموزش قرار گرفت.

یافته‎ها: معیارهای ارزیابی مدل‌های شبکه عصبی مصنوعی با استفاده از ارزیابی و خطا به دست آمد و نتایج نشان داد استفاده از 10 لایه مخفی دارای بیشترین برای ضریب همبستگی و کمترین خطا بوده است. ساختار این شبکه به‌صورت پرسپترون چندلایه بوده است. استفاده از هوش مصنوعی به‌عنوان یک روش مدرن جایگاه ویژه‌ای در علوم مهندسی دارد. در این پژوهش داده‌های مورداستفاده ابتدا نرمال‌سازی شدند و سپس داده‌های موردنظر با استفاده از الگوریتم لورنبرگ مارکوارت مورد آموزش قرار گرفت.

اصالت/ارزش افزوده علمی: نتایج نشان داد برای شبکه عصبی ساخته‌شده مقدار ضریب همبستگی، ریشه میانگین، مربعات خطا و میانگین خطای مطلق شبکه عصبی مصنوعی ساخته‌شده به ترتیب برابر است با 94/0، 9/1 بوده است.

کلیدواژه‌ها

• عملکرد مکانیکی بتن
• هوش مصنوعی
• شبکه عصبی مصنوعی
• الگوریتم لورنبرگ مارکوارت

موضوعات

• مدیریت شهری

عنوان مقاله [English]

Operational strategies to the mechanical performance assessment of concrete with the neural network and artificial intelligence

نویسندگان [English]

• Hadi Faghihmaleki ¹
• Mehdi Ghadiri ²

¹ Tonekabon. Mazandaran, Iran Mirkarimi St.

² Master's student in Civil Engineering, Fulty of Civil Engineering, Ayandegan Institute of Higher Education, Tonkaban, Iran

چکیده [English]

Purpose: This study was conducted to predicte the resistance properties of concrete with the help of different types of neural networks. The data studied in this research was collected from the database of 127 mixing plans. The input data included the age of concrete in days, the amount of coarse grain, fine grain, cement, water, lubricant in kilograms per cubic centimeter, and the target data included compressive strength.

Methodology: The use of artificial intelligence as a modern method has a special place in engineering sciences. In this research, the data used were first normalized and then the desired data were trained using the Lorenberg Marquardt algorithm.

Findings: The evaluation criteria of artificial neural network models were obtained using evaluation and error and the results showed that the use of 10 hidden layers had the highest correlation coefficient and the lowest error. The structure of this network was multi-layered perceptron.lubricant in kilograms per cubic centimeter, and the target data included compressive strength.

Methodology: The use of artificial intelligence as a modern method has a special place in engineering sciences. In this research, the data used were first normalized and then the desired data were trained using the Lorenberg Marquardt algorithm.

Originality/Value: The results showed that for the constructed neural network, the value of correlation coefficient, mean root, error square and mean absolute error of the artificial neural network were 0.94 and 1.9, respectively.

کلیدواژه‌ها [English]

• Mechanical performance of concrete
• artificial intelligence
• artificial neural network
• Lunberg Marquardt algorithm