شبکه‎های عصبی مصنوعی برای پیش‌بینی مقاومت فشاری بتن: پس انتشار خطا و شبکه اِلمان

نویسندگان

چکیده

در سال‌های اخیر، شبکه‌های عصبی مصنوعی کاربرد‌های بسیار زیادی در علوم مختلف مهندسی، ‌از جمله مهندسی عمران پیدا نموده است. در این مقاله از دو نوع شبکة عصبی مصنوعی با سه ساختار مختلف، برای پیش‌بینی مقاومت فشاری بتن استفاده شده است. در این مطالعه، نوع جدیدی از شبکه‌های عصبی مصنوعی، به نام شبکة‌ عصبیِ بازگشتی المان (Elman Networks ‌Recurrent ) معرفی شده و مقاومت نمونه‌های بتنی با استفاده از این شبکه‌ها پیش‌بینی شده است. همچنین در این مقاله، نتایج شبیه‌سازی با شبکة‌ عصبی المان، با شبکة‌ عصبی استاندارد پس انتشار خطا (Standard BP Networks) مقایسه شده است. نتایج پیش‌بینی نشان داد که شبکة‌ عصبی المانِ دو لایه با تعداد نرون به ترتیب 5 و 3 نرون در لایة‌اول و دوم، بهترین قابلیت را برای تعمیم نتایج (یعنی قابلیت پیش‌بینی نمونه‌های آموزش ندیده) داشته و شبکة عصبی دو لایة پس انتشار استاندارد با تعداد نرون‌های به ترتیب 8 و 5 نرون در لایة‌اول و دوم، مناسبترین شبکه برای تخمین مقاومت فشاری نمونه‌های بتنی (پیش‌بینی مقاومت نمونه‌های آموزش دیده) می‌باشد.

کلیدواژه‌ها


عنوان مقاله [English]

Neural networks for predicting the compressive strength of concrete: error back-propagation and recurrent elman networks

نویسندگان [English]

  • Jafar Sobhani
  • zahra sobhani
  • Mansour Sheikhan
چکیده [English]

In the recent years, the artificial neural networks (NNT) have been widely applied in the various fields of engineering especially in the various fields of the civil engineering. In this paper, two types of neural networks with three architectures were used to predict the compressive strength of concrete samples. In this study, a novel type of NNT, named as the recurrent Elman networks, was introduced and used to predict the compressive strength of concrete samples. Moreover, in this paper, the results of simulation with the Elman networks were compared with the results of traditional back propagation networks. The results of comparison showed that the two layered Elman network which has 5 and 3 neurons in the first and second layer respectively, has the best performance from the generalization perspective; and vice versa the standard BP (with 8 and 5 neurons in the first and second layer) has got the best performance for the estimation purposes