مقايسه عملكرد تخميني محاسبات نرم در پيش بيني مقاومت فشاري بتن بازيافتي

Comparison of Estimated Performance of Soft Computing in Predicting Compressive Strength of Recycled Concrete

از زباله‌هاي ساختماني به‌عنوان يكي از مهم‌ترين نگراني‌هاي زيست‌محيطي در جهان مي‌توان نام برد. اين نگراني در ايران نيز مستثنا نبوده و سالانه بيش از 20 ميليون تن مواد زائد ساختماني در تهران توليد مي‌شود. براي برون‌رفت از اين اتفاق، محققان بازيافت بتن و استفاده مجدد آن در مصارف ساختماني و غيرساختماني را پيشنهاد مي‌دهند. اين مقاله با هدف پيش‌بيني مقاومت فشاري بتن 28 روزه با سنگ‌دانه بازيافتي با استفاده از روش ماشين‌هاي برداري پشتيبان (SVM) و رگرسيون خطي چندگانه (MLR) انجام‌شده است. داده‌هاي آموزش و آزمايش براي توسعه مدل SVM با استفاده از 124 مجموعه داده موجود از 11 مرجع منتشرشده، تهيه ‌شده است. در فرايند مدل‌سازي، شبكه‌اي بهينه محسوب مي‌شود كه هم‌زمان با داشتن بالاترين ضريب همبستگي، كمترين ميانگين مربعات خطا را نيز دارا باشد؛ از اين رو ارزيابي كارايي مدل پيشنهادي، روش ماشين‌هاي برداري پشتيبان را با روش رگرسيون خطي چندگانه با استفاده از روش k-fold cross validation مقايسه شد. نتايج مقايسه دو ابزار پيش‌بيني نشان داد كه ماشين‌هاي برداري پشتيبان از عملكرد مطلوب‌تري به نسبت روش رگرسيون خطي چندگانه برخوردار است. به همين دليل مي‌توان از روش ماشين‌هاي برداري پشتيبان به‌عنوان يك روش مؤثر براي پيش‌بيني مقاومت فشاري 28 روزه بتن بازيافتي نام برد.

Construction waste is one of the most important environmental concerns in the world. Iran is not an exception to this concern and more than 20 million tons of construction waste is produced annually in Tehran alone. To overcome this, researchers suggest recycling concrete and reusing it for construction and non-construction purposes. The aim of this paper was to predict the compressive strength of 28-day concrete with recycled aggregate using support vector machines (SVM) and multiple linear regression (MLR). Training and experimental data were developed for the development of the SVM model using 124 existing datasets from 11 published references. In the modeling process, an optimal network is considered to have the lowest mean square error and the highest correlation coefficient. Therefore, to evaluate the efficiency of the proposed model, the method of backup vector machines was compared with the method of multiple linear regression using the k-fold cross validation method. The results of comparing two 28-day compressive strength prediction tools including support vector machines and multiple linear regression using k-fold cross validation technique showed that support vector machines performed better compared to multiple linear regression method. Therefore, the support vector machine method can be mentioned as an effective method for predicting the 28-day compressive strength of recycled concrete.