مدل‌سازي مقاومت فشاري بتن غلتكي با استفاده از شبكه عصبي مصنوعي، انفيس و ماشين بردار پشتيبان

Modeling Compressive Strength of Roller Compacted Concrete Pavement Using Artificial Neural Network, ANFIS and Support Vector Machine

امروزه از بتن غلتكي در ساخت سد‌ها و روسازي راه‌ها استفاده مي‌شود و طي سال‌هاي اخير استفاده از اين نوع بتن به علت مزايايي چون كوتاه شدن زمان ساخت، در دسترس بودن مصالح مورد نياز، عملكرد مناسب در نواحي سرد و عمر مفيد طولاني گسترش يافته است. مهم‌ترين خاصيت مكانيكي بتن غلتكي، مقاومت فشاري مي‌باشد كه افزايش آن مي‌تواند عملكرد اين نوع بتن را بهبود بخشد. حساسيت بتن غلتكي به اجزاي تشكيل‌دهنده آن سبب مشكلاتي در پيش‌بيني مقاومت فشاري شده است. پارامترهايي نظير مقدار سيمان، نسبت آب به مواد سيماني، مقدار مواد سيماني جايگزين و نسبت درشت‌دانه به ريزدانه اثر زيادي بر مقاومت فشاري بتن غلتكي دارند. در دهه‌هاي اخير، مدل‌سازي به‌وسيله هوش مصنوعي، جايگاه ويژه‌اي در علوم فني و مهندسي پيدا كرده است و پيش‌بيني رفتار موادي كه با پيچيدگي‌هاي فراواني روبه‌رو بوده، تا حدودي به كمك اين روش ميسر شده است. در اين تحقيق، مجموعه‌اي از طرح­هاي اختلاط ساخته شده توسط مؤلفين و طرح­هاي اختلاط ساخته شده در مطالعات ديگر جمع‌آوري گرديد. با در نظر گرفتن اجزاي طرح اختلاط و سن نمونه‌ها به‌عنوان متغيرهاي ورودي، مدل‌هاي شبكه عصبي مصنوعي، سيستم استنتاج فازي عصبي تطبيقي و ماشين‌هاي بردار پشتيبان براي پيش‌بيني مقاومت فشاري ساخته شدند. مقايسه نتايج نشانگر اين است كه مدل شبكه عصبي مصنوعي توانايي بيشتري نسبت به مدل‌هاي سيستم استنتاج فازي عصبي تطبيقي و ماشين‌ بردار پشتيبان در پيش‌بيني مقاومت فشاري بتن غلتكي دارد. همچنين، مقاومت‌هاي تخمين زده شده توسط شبكه عصبي مصنوعي و ماشين بردار پشتيبان به ترتيب بيشترين و كمترين تطابق را با مقاومت فشاري واقعي دارند. مقدار ضريب همبستگي، ريشه ميانگين مربعات خطا و ميانگين خطاي مطلق شبكه عصبي مصنوعي به ترتيب برابر با ۰/۹۷۱۷، ۲/۴۸۵۹ و ۲/۱۳۹۶ است. اين مقادير براي ماشين بردار پشتيبان به ترتيب برابر ۰/۹۵۶۶، ۳/۴۰۱۳ و ۳/۰۷۳۳ مي‌باشند.

Nowadays, roller compacted concrete (RCC) is used in building dams and roads, and in recent years, using RCC is extended because of its advantages such as short construction time, availability of required materials, appropriate performance in cold regions and high life span. Compressive strength of RCC is the most important mechanical property that its enhancement can improve RCC performance. The sensitivity of RCC to its ingredients has caused some problems in prediction of the compressive strength. Parameters such as cement content, water-cement ratio, the amount of replaced cementitious materials and coarse to fine aggregates ratio affect the compressive strength of RCC. In recent decades, modeling by artificial intelligence has found a special place in technical sciences and engineering, and prediction of the behavior of complex cases has become possible with the help of this method. In this study, constructed design mixes by the authors and design mixes made in other studies were collected. By considering concrete constituents and samples age as input variables, several artificial neural network (ANN), adaptive neuro fuzzy inference system (ANFIS) and support vector machine (SVM) models were prepared to predict the compressive strength of RCC. Comparison of the results indicated that ANN model has more ability in predicting the compressive strength of RCC than ANFIS and SVM models. Also, the predicted compressive strength by ANN and SVM models had the highest and lowest match with actual compressive strength, respectively. The correlation coefficient, root mean square error and mean absolute error of ANN model were 0.9717, 2.4859 and 2.1396, respectively. These values were 0.9566, 3.4013 and 3.0733 for SVM model, respectively.