پيش بيني مقاومت فشاري بتن خود تراكم حاوي خاكستر بادي با استفاده از روش اسپلاين رگرسيوني چند متغيره تطبيقي (مارس)

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

استفاده از بتن خود تراكم علاوه بر كاهش زمان ساخت، به كاهش هزينه نيز مي‌انجامد، از اينرو استفاده از روش‌هاي نوين هوشمند مصنوعي جهت تخمين مقادير خواص بتن خودتراكم ضروري به نظر مي‌رسد. هدف اصلي در اين مقاله، امكان استفاده از روش اسپلاين رگرسيوني چندمتغيره (مارس) براي پيش‌بيني مقاومت فشاري 28 روزه بتن خودتراكم مي‌باشد. در اين مطالعه، 109 داده آزمايشگاهي مورد بررسي قرار گرفته است. همچنين براي مقايسه عملكرد روش مارس، داده‌هاي مذبور با روش شبكه عصبي مصنوعي نيز بررسي شد. روش مارس در مرحله آموزش مدل(250/4RMSE=) نسبت به شبكه عصبي (626/4RMSE=) عملكرد بهتري را نشان داد. نتايج بدست آمده از شاخص‌هاي خطا در مرحله آزمون روش‌هاي مارس و شبكه عصبي به ترتيب با (007/3RMSE=) و(049/4 RMSE=) عملكرد مطلوبي در پيش‌بيني مقاومت فشاري از خود نشان دادند.همچنين تحليل حساسيت انجام شده در اين مطالعه نشان داد سيمان و پودرخاكستربادي بيشترين تاثير را در توسعه مدل پيشنهادي مارس داشته اند. ارزيابي مدل‌هاي پيشنهادي با استفاده از شاخص‌هاي آماري خطا سرعت و دقت مدل مارس را در پيش‌بيني خواص بتن مشخص كرده است.

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.