ارائه مدلی جهت پیش بینی مقاومت بتن خودتراکم به کمک شبکه های عصبی مصنوعی

نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانشجوی کارشناسی ارشد، گروه مهندسی عمران، دانشکده فنی و مهندسی، دانشگاه لرستان، خرم آباد، ایران

2 استاد، گروه مهندسی عمران، دانشکده فنی و مهندسی، دانشگاه لرستان، خرم آباد، ایران

3 دانشجوی دکتری مهندسی سازه، دانشگاه آزاد اسلامی واحد علوم و تحقیقات، تهران، ایران

10.22091/cer.2024.11015.1564

چکیده

بتن خود تراکم یک عرصه پویا در زمینه ساخت و ساز در دنیاست. این بتن، شامل بازه گسترده ای از طرح های مخلوط می باشد که خواص بتن تازه و سخت شده لازم برای کاربری های خاص دارا می باشند. اگرچه مقاومت هم چنان معیار اصلی موفقیت این بتن می باشند اما ویژگی های بتن تازه آن، بسیار گسترده تر از بتن معمولی و متراکم شده توسط لرزاننده ها می باشد. این خواص مطلوب باید در زمان، محل و بتن ریزی حفظ شوند. بتن خود تراکم در مواردی که شبکه بندی آرماتورها فشرده است، گزینه ای مطلوب می باشد. هم چنین عدم نیاز به لرزاننده، آلودگی صوتی محیط را به نحو قابل ملاحظه ای کاهش می دهد. علی رغم ویژگی های مطلوب، طرح مخلوط و اجرای این نوع بتن به عوامل متعددی از قبیل دانه بندی مصالح سنگی، نوع مواد افزودنی و همچنین پرکننده‌های مورد استفاده بستگی دارد. در نظر گرفتن هر یک از معیارهای فوق، کیفیت بتن سخت شده و کار پذیری بتن تازه را تحت تاثیر قرار می دهد. این پژوهش به دلیل نیاز به بهبود دقت و کارایی در طراحی مخلوط بتن و کاهش زمان و هزینه‌های آزمایش‌های فیزیکی انجام شده است. در این مقاله، مقاومت بتن خود تراکم به کمک داده های آزمایشگاهی و به کارگیری شبکه های عصبی مصنوعی پیش بینی گردیده است. نتایج نشان دهنده دقت بالای تخمین های انجام شده به کمک محاسبات نرم می باشد.

کلیدواژه‌ها

موضوعات


عنوان مقاله [English]

Proposing a Model for Compressive Strength Prediction of Self Compacting Concrete Using ANN

نویسندگان [English]

  • Mohammad Reza Torabi 1
  • Mojtaba Hosseini 2
  • Ramin Hajimohammadrezaee 3
1 M.Sc. Student, Department of Civil Engineering, Faculty of Engineering, Lorestan University, Khorramabad, Iran
2 Professor, Department of Civil Engineering, Faculty of Engineering, Lorestan University, Khorramabad, Iran
3 Ph.D. Student, Science and Research Branch, Islamic Azad University, Tehran, Iran
چکیده [English]

Self-compacting concrete (SCC) is a dynamic field in construction worldwide. This type of concrete encompasses a wide range of mix designs that possess the necessary fresh and hardened concrete properties for specific applications. Although strength remains the primary criterion for the success of SCC, its fresh concrete properties are significantly broader than those of conventional vibrated concrete. These desirable properties must be maintained during placement and at the site. SCC is a preferred option in cases where reinforcement bars are densely arranged. Moreover, the absence of the need for vibrators significantly reduces environmental noise pollution. Despite its favorable features, the mix design and execution of SCC depend on various factors, such as the gradation of aggregates, the type of additives, and the fillers used. Considering each of these criteria influences the quality of hardened concrete and the workability of fresh concrete. This research has been conducted due to the need for improving accuracy and efficiency in SCC mix design and reducing the time and cost of physical testing. In this paper, the strength of SCC has been predicted using laboratory data and the application of artificial neural networks. The results indicate a high level of accuracy in the estimates made through soft computing techniques.

کلیدواژه‌ها [English]

  • Self compacting concrete
  • Artificial neural network
  • Concrete mix design
  • Concrete compressive strength
  • Sensitivity Analysis
CAPTCHA Image