پیش بینی مقاومت فشاری بتن خودتراکم حاوی خاکستربادی با استفاده از روش اسپلاین رگرسیونی چندمتغیره تطبیقی (مارس)

نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانشجوی دکترای مهندسی و مدیریت ساخت دانشگاه صنعتی بابل

2 کارشناسی ارشد موسسه آموزش عالی طبری بابل

3 رئیس موسسه آموزش عالی طبری بابل

4 دانشجوی دکترای عمران-سازه دانشگاه گیلان

چکیده

استفاده از بتن خودتراکم علاوه بر کاهش زمان ساخت، به کاهش هزینه نیز می‌انجامد، از اینرو استفاده از روش‌های نوین هوشمند مصنوعی جهت تخمین مقادیر خواص بتن خودتراکم ضروری به نظر می‌رسد. هدف اصلی در این مقاله، امکان استفاده از روش اسپلاین رگرسیونی چندمتغیره (مارس) برای پیش‌بینی مقاومت فشاری 28 روزه بتن خودتراکم می‌باشد. در این مطالعه، 109 داده آزمایشگاهی مورد بررسی قرار گرفته است. همچنین برای مقایسه عملکرد روش مارس، داده‌های مذبور با روش شبکه عصبی مصنوعی نیز بررسی شد. روش مارس در مرحله آموزش مدل(250/4RMSE=) نسبت به شبکه عصبی (626/4RMSE=) عملکرد بهتری را نشان داد. نتایج بدست آمده از شاخص‌های خطا در مرحله آزمون روش‌های مارس و شبکه عصبی به ترتیب با (007/3RMSE=) و(049/4 RMSE=) عملکرد مطلوبی در پیش‌بینی مقاومت فشاری از خود نشان دادند.همچنین تحلیل حساسیت انجام شده در این مطالعه نشان داد سیمان و پودرخاکستربادی بیشترین تاثیر را در توسعه مدل پیشنهادی مارس داشته اند. ارزیابی مدل‌های پیشنهادی با استفاده از شاخص‌های آماری خطا سرعت و دقت مدل مارس را در پیش‌بینی خواص بتن مشخص کرده است.

کلیدواژه‌ها

عنوان مقاله [English]

Prediction of Compressive Strength of Self-Compacting Concrete Containing Fly Ash Using Multivariate Adaptive Regression Splines (MARS)

نویسندگان [English]

  • Mohammad Javad Taheri Amiri 1
  • Ali Ashrafian 2
  • Javad Berenjian 3
1 PhD student, Babol Noshirvani University of Technology
2 Department of Civil Engineering, Tabari University of Babol
3 Assistant Professor, Tabari University of Babol
چکیده [English]

Utilization of Self-compacting concrete can reduce expenses of the construction and time, therefore the use of artificial intelligence methods to estimation of concrete properties seems necessery .The main purpose of the study presented in this paper was to investigate the feasibility of using multivariate adaptive regression spline (MARS) for the prediction of 28-day compressive strength of self-compacting concrete with an optimal mixing ratio. Total of 94 dataset collected from the published paper were used in this study. To compare the performance of the technique, prediction was also done using a multilayer perceptron neural network model. MARS model in the training phase model (RMSE=4/250) was better performance than Neural Network (RMSE=4/626). The results of error indices of the testing stage in MARS and Neural Network methods respectively (RMSE=3/007) and (RMSE=4/049) were performed accurately in compressive strength prediction The analysis indicated that the proposed MARS model can gain a high precision, which provides an alternative method for predicting the properties of SCC.

کلیدواژه‌ها [English]

  • Self-compacting concrete
  • Compressive strength
  • Fly ash
  • MARS
  • Artificial neural network

فایل ها

هم رسانی

ارجاع به این مقاله

آمار