دانشگاه گیلان تحقیقات بتن 2008-4242 18 1 2025 03 21 Evaluation of construction components with eco-friendly recycled concrete with artificial neural network modeling approach and adaptive neural fuzzy inference system optimized with meta-heuristic algorithm ارزیابی مؤلفه‌های ساخت‌وساز با بتن بازیافتی سازگار با محیط‌زیست با رویکرد مدل‌سازی شبکه عصبی مصنوعی و سیستم استنتاج فازی - عصبی تطبیقی بهینه شده با الگوریتم فراابتکاری 77 91 8717 10.22124/jcr.2025.29506.1689 FA مهیار عزیزخانی دانشجوی دکترا عمران، دانشگاه آزاد رودهن علی اصغر امیر کاردوست گروه عمران، دانشگاه آزاد رودهن، رودهن، ایران داوود صداقت شایگان استادیارگروه عمران، دانشگاه آزاد رودهن، رودهن، ایران Journal Article 2025 01 19 ]n this study, modeling with environmentally friendly recycled concrete construction components has been investigated. To model the compressive strength of recycled concrete, two methods of artificial neural network and adaptive neural fuzzy inference system were used. Then, in order to increase the performance of smart methods and prevent the trial and error approach to achieve the most optimal parameter values of each model, the particle swarm optimization algorithm was used. The data of the mixing plan from the research background to create the proposed models were 201 laboratory data that were collected to estimate the compressive strength of recycled concrete. Then, to determine the best input parameters to the model, four scenarios were defined, from which the best scenario was selected. Also, for this index, the ANFIS-FCM method is more accurate than the rest of the neurophasic based methods. In the test phase, the artificial neural network method based on the particle swarm algorithm had a better performance than the ANN method. However, the ANFIS-FCM-PSO method performed slightly weaker than the ANFIS-FCM method in the training phase, but it performed better than the rest of the proposed methods in the test phase based on the three presented indicators. The results of the uncertainty analysis indicated that the proposed method had a very small margin of error in the term of average prediction. Also, among the proposed intelligent methods, the ANFIS-FCM-PSO method has better performance than other models with a slight difference. در این مطالعه، مدل‌سازی با مؤلفه‌های ساخت‌وساز با بتن بازیافتی سازگار با محیط‌زیست مورد بررسی قرار گرفته است. برای مدل‌سازی مقاومت فشاری بتن بازیافتی از دو روش شبکه عصبی مصنوعی و سیستم استنتاج فازی - عصبی تطبیقی استفاده شد. سپس برای افزایش عملکرد روش‌های هوشمند و جلوگیری از رویکرد سعی و خطا برای دستیابی به بهینه‌ترین مقادیر پارامترهای هر مدل، از الگوریتم بهینه‌سازی ازدحام ذرات استفاده شد. داده‌های طرح اختلاط از پیشینه تحقیق برای ایجاد مدل‌های پیشنهادی، 201 داده آزمایشگاهی بود که در جهت برآورد مقاومت فشاری بتن بازیافتی جمع‌آوری شـد. سپس برای تعیین بهترین پارامترهای ورودی به مدل، چهار سناریو تعریف گردید که از میان آنها، سناریو برتر انتخاب شد. همچنین برای این شاخص روش ANFIS-FCM نسبت به باقی روش‌های بر پایه نروفازی، از دقت بالاتری برخوردار بوده است. در مرحله تست نیز، روش شبکه عصبی مصنوعی بر پایه الگوریتم ازدحام ذرات، از عملکرد بهتری نسبت به روش ANN برخوردار بود. اما روش ANFIS-FCM-PSO بر خلاف اینکه در مرحله آموزش کمی از روش ANFIS-FCM ضعیف‌تر عمل نموده است، اما در مرحله تست بر اساس سه شاخص ارائه شده عملکردی بهتر از باقی روش‌های پیشنهادی داشته است. نتایج حاصل از تحلیل عدم قطعیت نشانگر آن بود که روش پیشنهادی بافاصله بسیار کمی در ترم خطای میانگین پیش‌بینی داشته‌اند. همچنین در میان روش‌های هوشمند پیشنهادی، روش ANFIS-FCM-PSO با اختلاف اندکی نسبت به دیگر مدل‌ها دارای عملکرد بهتری است. https://jcr.guilan.ac.ir/article_8717_6408ee8fbb50419dedd30fba16cdf42f.pdf