حسن حسین زاده - دانشجوی کارشناسی ارشد مهندسی عمران، گروه مهندسی عمران، موسسه آموزش عالی اقبال لاهوری، مشهد، سازمان عمران شهرداری مشهد
علیرضا حسنی - سازمان عمران شهرداری مشهد
سینا آرمان - ، سازمان عمران شهرداری مشهد کارشناس ارشد مهندسی عمران، گروه مهندسی عمران، دانشگاه آزاد اسلامی، مشهد
علیرضا صفی پور - کارشناس ارشد بازسازی پس از سانحه، گروه معماری منظر و بازسازی، دانشگاه شهید بهشتی، تهران، سازمان عمران شهرداری مشهد

در این مقاله، یک رویکرد هوشمند مبتنی بر تکنیک یادگیری ماشین برای پیش بینی مقاومت فشاری بتن پیشنهاد شده است. این رویکرد از الگوریتم جنگل تصادفی برای ایجاد یک یادگیرنده گروهی با ادغام چندین یادگیرنده ضعیف استفاده می کند که می تواند ارتباط بین داده های ورودی و خروجی را پیدا کند. یادگیرنده ضعیفی که خطای پیش بینی اش کوچک است وزن بیشتری در کل سیستم خواهد داشت، بنابراین دقت کلی یادگیرنده گروهی افزایش می یابد. درمجموع ۱۰۳۰ نمونه آزمایش مقاومت فشاری بتن برای آموزش و آزمایش مدل جمع آوری شده است که در آن اجزای مخلوط بتن (مانند سنگ دانه های درشت/ریز، سیمان، آب، مواد افزودنی و غیره) و زمان عمل آوری به عنوان مقادیر ورودی و مقدار مقاومت فشاری به عنوان داده های خروجی تنظیم شدند. روش پیشنهادی از طریق یک روش اعتبارسنجی متقاطع ۱۰ برابری تایید می شود و به دقت متوسط بیش از ۹۰ درصد ازنظر ضریب تعیین می رسد. رویکرد پیشنهادی همچنین با برخی دیگر از تکنیک های یادگیری ماشین مانند شبکه عصبی مصنوعی و ماشین بردار پشتیبان و غیره مقایسه شد که نتایج، مطلوبیت روش جنگل تصادفی را نسبت به این روش ها نشان می دهد. درنهایت، تاثیر برخی از عوامل کلیدی در رویکرد جنگل تصادفی نیز بررسی شد، به عنوان مثال، میزان داده های آموزشی و تاثیر حساسیت و تعداد پارامترهای ورودی. همچنین بر اساس نتایج تحلیل حساسیت، اهمیت متغیرهای ورودی مختلف به دست آمد.

یادگیری ماشین، یادگیرنده گروهی، جنگل تصادفی، بتن، مقاومت فشاری.