پيش بيني ظرفيت تيرهاي چوبي مقاوم سازي شده با الياف FRP با استفاده از شبكه عصبي مصنوعي و انفيس

Predicting the capacity of FRP fiber reinforced wooden beams using artificial neural network and Enfis

مقاومت تير هاي چوبي، به عنوان يكي از مهمترين خصوصيات مكانيكي چوب مورد بحث بوده و به عنوان يكي از مهمترين عوامل تضمين كيفيت چوب شناخته مي شود. چوب ها به دليل جنبه حفظ محيط زيست و استفاده مجدد از پسماند ناشي از قطع درختان خشك، يكي از نياز فعلي است. در اين مطالعه براي پيش بيني ظرفيت تيرهاي چوبي مقاوم سازي شده با اليافFRP با استفاده از شبكه عصبي مصنوعيGMDH و ANFIS وGP پرداخته شده است. مهمترين نوآوري در اين مطالعه ارايه مدلي بر مبناي GMDH،جهت پيش بيني دقيق مقاومت تيرهاي چوبي مقاوم سازي شده، است. كه در اين پايان‌نامه سعي گرديده است تا با رابطه پيشنهادي براي مقاومت فشاري چوب مقاوم سازي ارائه مي‌شود. در ارتباط با تعداد نمونه‌ها، تعداد 135 ديتا از تحقيقات انجام شده معتبر استخراج گرديده است. نتايج حاصل از مدل GMDH و ANFIS و GP با داده‌هاي آزمايشگاهي مقايسه گرديد، كه نتايج حاكي از دقت قابل‌قبول مدل ارائه شده است. براي مدل شبكه عصبي GMDH براي داده‌هاي تست (مجموعه شبيه‌سازي) ۱۱٫۸۲% بود و اين در حالي است براي مدل شبكه عصبي فازي و رابطه پيشنهادي به ترتيب برابر ۲۳٫۴۳% و ۲۲٫۶۵% به دست آمد. همچنين مقادير ضرايب همبستگي براي مدل‌هاي GMDH و ANFIS و GP در مجموعه شبيه‌سازي (مجموعه خارج از مدل‌سازي) به ترتيب برابر ۰٫96، ۰٫۹5 و ۰٫856۱ به دست آمد كه قدرت بالاي پيشگويي رابطه پيشنهادي را نشان مي‌دهد.

The strength of wooden beams is discussed as one of the most important mechanical properties of wood and is known as one of the most important factors to guarantee the quality of wood. Wood is one of the current needs due to the aspect of preserving the environment and reusing the waste from the cutting of dry trees. In this study, to predict the capacity of wooden beams reinforced with FRP fibers, using GMDH, ANFIS, and GP artificial neural networks. The most important innovation in this study is the presentation of a model based on GMDH to accurately predict the strength of reinforced wooden beams. which has been tried in this thesis to be presented with the proposed relationship for the compressive strength of reinforced wood. In relation to the number of samples, 135 data have been extracted from valid researches. The results obtained from the GMDH, ANFIS and GP models were compared with the laboratory data, and the results indicated the acceptable accuracy of the presented model. For the GMDH neural network model for the test data (simulation set) it was 11.82%, while for the fuzzy neural network model and the proposed relationship, it was 23.43% and 22.65%, respectively. Also, the values ??of correlation coefficients for GMDH, ANFIS, and GP models in the simulation set (outside modeling set) were obtained as 0.96, 0.95, and 0.8561, respectively, which shows the high predictive power of the proposed relationship.