پیش‌بینی اسلامپ بتن با استفاده از مدل شبکه عصبی مصنوعی و روش رگرسیون چندمتغیره خطی

نوع مقاله : یادداشت پژوهشی

نویسندگان

1 استادیار گروه مهندسی عمران، دانشکده فنی، دانشگاه گیلان

2 استادیار، گروه مهندسی عمران، دانشکده فنی، دانشگاه گیلان

3 دانشجوی دکتری، گروه مهندسی عمران، دانشکده فنی، دانشگاه گیلان

چکیده

روش‌های مختلفی جهت اندازه‌گیری کارایی بتن وجود دارد که یکی از متداول‌ترین و معمول‌ترین روش‌ها، آزمایش اسلامپ است. جهت دست‌یابی به مخلوط‌های بتنی با اسلامپ مورد نظر، باید مخلوط‌های مختلف بتنی ساخته شود و آزمایش اسلامپ بر روی آن‌ها صورت گیرد. جهت صرفه‌جویی در زمان، هزینه و مصالح بهتر است از روش‌های هوشمندی جهت پیش‌بینی اسلامپ بتن بر اساس نتایج مربوط به تعداد معینی از مخلوط‌های بتنی استفاده شود. در پژوهش حاضر روش رگرسیون چندمتغیره خطی (MLR) و مدل شبکه عصبی مصنوعی (ANN) به عنوان یکی از الگوریتم‌های محاسبات نرم جهت پیش‌بینی اسلامپ بتن مورد ارزیابی قرار گرفته و نتایج از لحاظ کاربردی بودن، دقت و کارایی مقایسه می‌شوند. مدل شبکه عصبی مورد استفاده در این مقاله از نوع پرسپترون چند لایه پیشخور با الگوریتم یادگیری پس‌انتشار است. نتایج نشان می‌دهد که مقادیر پیش‌بینی شده اسلامپ بتن توسط هر دو مدل مطلوب و قابل‌قبول می‌باشند. ضریب همبستگی، میانگین مربعات خطا و میانگین خطای مطلق در روش شبکه عصبی مصنوعی به ترتیب برابر با 9853/0 ، 485/0 و 547/0 تعیین گردید، که این مقادیر در روش رگرسیون چندمتغیره خطی به ترتیب برابر با 8681/0 ، 9696/1 و 0077/1می‌باشند. نتایج تحقیق نشان می‌دهد که در پیش‌بینی اسلامپ بتن به روش شبکه عصبی مصنوعی، مدل با یادگیری رابطه واقعی بین متغیرها اقدام به پیش بینی متغیر خروجی می‌نماید. لذا این مدل نسبت به روش رگرسیون چندمتغیره خطی دارای دقت بیش‌تری در پیش‌بینی اسلامپ بتن می‌باشد.

کلیدواژه‌ها

عنوان مقاله [English]

Prediction of the Concrete Slump with Artificial Neural Network Model and the Multivariable Linear Regression Method

نویسنده [English]

  • seyed hosein ghasemzade mosavi nejad 2
2 Assistant Professor, Department of Civil Engineering, Faculty of Engineering The University of Guilan, Iran
چکیده [English]

Workability is the important property of a fresh concrete. There are many methods to measure the workability of concrete. One of the most common and frequently used method is the slump test. In order to achieve the concrete with a desired workability, different concrete mixtures must be made and the slump test be done. To save time, money and material, the prediction methods are used to predict the slump on the basis of the results obtain from a certain number of concrete mixtures. In this study, Multivariable Linear Regression (MLR) method and the Artificial Neural Network (ANN) model, as one of soft computation algorithms, are utilized to evaluate slump prediction and the results in terms of applicability, accuracy and efficiency are compared. The proposed ANN model is the multilayer perceptron with back-propagation learning algorithm. The results showed that the predicted values of both methods are desirable and acceptable. The correlation coefficient, mean square error and the mean absolute error in the ANN model are respectively 0/9853, 0/485 and 0/547. These values in the multivariable linear regression method are respectively 0/8717, 1/7731 and 0/9136. In the multivariable linear regression method, a linear relationship between independent and dependent variables is determined. But, in the most cases and reality, this relationship is not extremely linear, so the predicted values in this method may have big errors and can be neglected. The ANN model, predicts the output by learning the true relationship between inputs and output parameters.

کلیدواژه‌ها [English]

  • Concrete Slump
  • Soft Computing
  • Artificial Neural Network (ANN)
  • Multivariable Linear Regression (MLR)

فایل ها

هم رسانی

ارجاع به این مقاله

آمار