پيش‌بيني مقاومت فشاري بتن خودتراكم حاوي فيلر‌هاي مختلف با كمك شبكه‌هاي عصبي مصنوعي

بتن‌هاي خودمتراكم با خواص رئولوژي و مكانيكي مناسب، از بتن‌هاي جديد محسوب مي‌شوند كه در اواخر قرن 20 و اوايل قرن 21 مورد توجه محققين و صاحبان صنايع قرار گرفت. دقت در بتن‌‌ريزي، تراكم بتن و همچنين ظاهر بتن به عنوان يك متريال اكسپوز همواره از دغدغه‌هاي طراحان و مجريان پروژه‌هاي عمراني محسوب مي‌شود. بتن‌هاي خودمتراكم با خاصيت تراكم وزني همواره مي‌تواند از گزينه‌هاي پيش روي طراحان باشد. تنوع در مواد مورد استفاده در بتن‌هاي خودمتراكم از جمله مواد بازيافتي، با خاصيت پوزولاني و پر كنندگي در جهت رسيدن به اهداف رئولوژي و مكانيكي، از چالش‌هايي است كه طراحان با آن روبرو هستند. همچنين دقت در تعيين نسبت‌هاي اختلاط و نتايج حاصل از آن بسيار زمان بر و پرهزينه مي‌باشد. علوم كامپيوتر با بهره‌گيري از محاسبات نرم و شبكه‌هاي عصبي الهام گرفته از ساختار بيولوژيكي مغز انسان، سعي در افزايش سرعت، دقت و همچنين كاهش هزينه به جهت جلوگيري از آزمايشات مخرب مي‌پردازد. در اين پژوهش با كمك دو شبكه ANN و LSTM با بهره‌گيري از 320 نمونه بتن خودمتراكم با پراكندگي و جامعيت مصالح رايج مورد استفاده در آن توسط محققيق مختلف، سعي در پيش‌بيني مقاومت فشاري 28 روزه بتن خودتراكم، بررسي عملكرد و افزايش دقت توسط 6 الگوريتم آموزشي مختلف شده است. در مجموع حدودا 200 تكرار آموزش بر روي 320 نمونه بتن خودتراكم با 14 ويژگي انجام شد، كه با مقايسه بهترين نتايج حاصل از الگوريتم‌هاي آموزشي، بهترين عملكرد با ريشه ميانگين مربعات خطاي 4/97 و ضريب همبستگي 0/9484 در آزمايش، براي شبكه ANN با الگوريتم آموزشي Beyesian Regularization گزارش شد، كه نشان دهنده‌ي دقت بالاي آن شبكه مي‌باشد.