ارائه روشی جهت پیش‌بینی اسلامپ بتن مبتنی بر مدل نروفازی تطبیقی

نوع مقاله: علمی - پژوهشی

نویسندگان

1 استادیار گروه مهندسی عمران، دانشگاه گیلان، رشت، ایران

2 دانشجوی دکتری

چکیده

کارایی بتن از اهمیت بسیار بالایی در پروژه‌های عمرانی برخوردار است. یکی از متداول‌ترین روش‌ها جهت اندازه گیری کارایی بتن، آزمایش اسلامپ است. جهت صرفه‌جویی در زمان، هزینه و مصالح، بهتر است از روش‌های هوشمندی جهت پیش‌بینی اسلامپ بتن استفاده شود. در این تحقیق یکی از روش‌های مبتنی بر محاسبات نرم بکار گرفته می‌شود تا با طراحی شبکه‌ای، بدون نیاز به انجام آزمایش‌های فیزیکی پرزحمت، بتوان تخمینی از اسلامپ بتن بدست آورد. بدین منظور یک مدل نروفازی تطبیقی که مزایای شبکه عصبی و استنتاج فازی را با هم دارا می‌باشد، به منظور پیش‌بینی اسلامپ بتن پیشنهاد می‌شود. به منظور آموزش مدل پیشنهادی جهت پیش‌بینی‌های آتی با جمع‌آوری داده‌های مربوط به 44 تست آزمایشگاهی اسلامپ بتن، متغیرهایی مانند نسبت آب به سیمان، ماسه، شن، میکروسیلیس و فوق روان کننده که از اجزای اصلی سازنده بتن می‌باشند، به عنوان متغیرهای ورودی و مقدار اسلامپ نیز به عنوان متغیر خروجی در نظر گرفته ‌شده است. در نهایت دقت نتایج و کارایی مدل نروفازی تطبیقی پیشنهادی با استفاده از شاخص-های آماری ضریب همبستگی و جذر میانگین مربعات خطا با یک مدل شبکه عصبی مصنوعی مقایسه شده است. نتایج نشان داد که از میانگین نتایج ده دسته‌بندی متفاوت از داده‌های آزمایشگاهی ورودی، ضریب همبستگی بین اسلامپ‌های پیش‌بینی شده به روش پیشنهادی و شبکه عصبی مصنوعی تقریبا برابر است. در حالی‌که مقدار جذر میانگین مربعات خطای اسلامپ‌های روش نروفازی پیشنهادی 4477/0 تعیین شد که کمتر از مقدار 6964/0 مربوط به خروجی شبکه عصبی است. از دلایل تفاوت در خطای خروجی دو مدل می‌توان به الگوریتم‌های یادگیری متفاوت بکار رفته در دو مدل و عدم مدلسازی عدم قطعیت، ابهام در انتخاب بهترین تعداد لایه-های مخفی و نرون‌های این لایه‌ها در مدل شبکه عصبی مصنوعی اشاره کرد.

کلیدواژه‌ها

موضوعات


عنوان مقاله [English]

Providing a method for predicting the concrete slump based on Adaptive Neuro-Fuzzy Inference System

نویسندگان [English]

  • meysam effati 1
  • pooneh shahmalekpour 2
1 Assistant Professor, Department of Civil Engineering, Faculty of Engineering The University of Guilan, Rasht, Iran
2 PhD Student
چکیده [English]

Concrete performance is of very high importance in civil engineering projects. One of the most common ways to measure the performance of concrete, is the slump test. To save time, money and materials, it is better to use intelligent methods in predicting the slump. Therefore, in this study a method based on soft computing is used, so without the need to perform arduous physical experiments, one can obtain an estimate of the slump.
In this study, an adaptive neuro-fuzzy model which has the benefits of both neural network and fuzzy inference system, is used to predict the concrete slump. In order to train the algorithm for future use, comprehensive experimental data is essential .So by collecting data related to 44 concrete slump experimental tests, variables such as water-cement ratio, sand, gravel, silica fume and super plasticizer which are the principal components of concrete, are considered as input variables and the amount of slump is considered as the output variable in the proposed model.
In order to evaluate the performance of the proposed model and accuracy of the results, the results of the adaptive neuro-fuzzy model is compared to that of artificial neural network model, which is obtained in a parallel research done by author, by statistical parameters such as correlation coefficient and root mean square error. By averaging the results of ten different classifications of experimental input data, the correlation coefficient is approximately equal between adaptive neuro-fuzzy and neural network slump. While the root mean square error obtained by using adaptive neuro-fuzzy model is 0/4477 which is less than 0/6964 by neural network model. The difference in the output error of the two models are due to different learning algorithms used in two models and unknown number of hidden layers and neurons in the desirable artificial neural network model.

کلیدواژه‌ها [English]

  • Concrete slump
  • Soft Computing
  • ANFIS
  • Artificial Neural Network
  • Learning Algorithm

مقالات آماده انتشار، پذیرفته شده
انتشار آنلاین از تاریخ 12 دی 1396
  • تاریخ دریافت: 21 تیر 1396
  • تاریخ بازنگری: 03 دی 1396
  • تاریخ پذیرش: 12 دی 1396