پيش بيني مقاومت فشاري بتن خودتراكم توسط شبكه عصبي مصنوعي المان همراه با دو مجموعه متفاوت از پارامترهاي ورودي

Predicting the compressive strength of self-compacting concrete using Elman artificial neural network with two different sets of input parameters

در سالهاي اخير، شبكههاي عصبي مصنوعي از يك رويكرد نظري به يك فنآوري با قابليت استفاده گسترده همراه با برنامههاي كاربردي موفق براي مسائل گوناگون تبديل شدهاند. در حقيقت، شبكه‌هاي عصبي مصنوعي يك ابزار محاسباتي قدرتمندي هستند كه راه حل‌هاي مناسبي را براي حل مسائلي ارائه مي‌دهند كه با استفاده از روش‌هاي مرسوم و سنتي دشوار هستند. امروزه اين شبكهها كه از سيستم عصبي زيستي الهام گرفته شدهاند، به طور گسترده براي حل يك سطح وسيعي از مسائل پيچيده در مهندسي عمران نيز مورد استفاده قرار مي‌گيرند. هدف از مطالعه حاضر، ارزيابي عملكرد شبكههاي عصبي مصنوعي المان با در نظر گرفتن پارامترهاي ورودي مختلف در پيشبيني مقاومت فشاري بتن خودتراكم ميباشد. ازين‌رو، يك‌بار 8 پارامتر تاثيرگذار و بار ديگر جهت نزديك ‌‌شدن هرچه بيشتر شرايط پيشبيني به شرايط آزمايشگاهي، 140 پارامتر به عنوان ورودي وارد شبكههاي عصبي المان شدند. طبق نتايج حاصله، شبكههاي عصبي المان به عنوان ابزار قابل اعتمادي با صرفهجويي در زمان و هزينه داراي قدرت بالايي در پيشبيني مشخصههاي مورد نظر ميباشند. به علاوه، در پيش‌بيني هر دو مقاومت فشاري 7 و 28 روزه، شبكههاي ساخته شده با تعداد 140 پارامتر به ترتيب به ميزان 74/54 و 70/44 درصد بهبود در خطاي تست نسبت به شبكه‌ها با 8 پارامتر دارند كه اين اثرگذاري مستقيم پارامترهاي موثر در نظر گرفته شده به عنوان ورودي را بر ميزان خطاي شبكه در پيشبيني خواص مدنظر نشان ميدهد.

In recent years, artificial neural networks converted from a theoretical approach to the widely-used technology with successful applications to different problems. In fact, artificial neural networks are a powerful tool that give appropriate solutions to problems which are difficult to solve through conventional techniques. Nowadays, these networks, which are inspired by the biological nervous system, are also extensively used to solve a wide range of complex problems in civil engineering. The purpose of the current study is a performance evaluation of the Elman artificial neural networks with various input parameters in order to predict the compressive strength of Self Compacting Concrete (SCC). Therefore, once, 8 effective parameters and next, in order to simulate a real experimental conditions, 140 parameters were entered as inputs in the Elman neural networks. According to the results, Elman neural networks, as a reliable tool, have high strength for predicting the desired properties along with saving time and cost. In addition, in both 7 and 28-day compressive strength, the constructed networks with 140 input parameters compared to ones with 8, have 74.54 and 70.44 percent improvement respectively regarding their test errors. The effective inputs straightly affect the networks errors in the prediction of the desired properties.