تخمین خواص اساسی بتن سبکدانه سازه ای(LWAC) با استفاده از شبکه های عصبی مصنوعی (A.N.Ns) و روشهای آماری و مقایسه آنها

برای تخمین خواص بتن روشهای متعددی که عمدتا تجربی یا نیمه تجربی می باشند ارائه شده اند. اغلب این روشها همراه با خطا بوده و نیز در محیط فیزیکی کمتر قابل کنترل می باشند. در مورد بتن سبک دانه (LWAC) نیز نیاز به برآورد خواص این نوع بتن به عنوان یک ماده چند بعدی توسط مدلهای ریاضی و بیولوژیکی، تاثیر هر یک از اجزای اختلاط در تخمین خواص LWAC، زمان بر بودن انجام آزمایشات، لزوم انجام مکرر برخی از این آزمایشات برای همگرایی مطلوب و رابطه پیچیده ای که بین عوامل تاثیر گذار وجود دارد از جمله دلایلی هستند که استفاده از ابزار کارایی مثل شبکه های عصبی مصنوعی (Artifical Neural Networks) را ایجاب می کنند. ارائه مدلی برای پیش بینی مقاومت کوتاه مدت و دراز مدت به همراه روانی و وزن مخصوص LWAC مهمترین هدف این مقاله می باشد. در بخش شبکه های عصبی مصنوعی الگوریتم های متفاوت آموزشی پس- انتشار خطا با بردارهای وردی متفاوت و لایه میانی متغیر جهت الگوریتم و توپولوژی بهینه مورد استفاده قرار گرفته اند. تعداد 125 طرح اختلاط مختلف با مقادیر متفاوت سیمان، آب، فوق روان کننده .( SP)، میکروسیلیس .( SF) ، ریزدانه سبک و نیز سبک و نیز درشت دانه های سبک در آزمایشگاه بتن دانشگاه صنعتی سهند تبریز تهیه و کارایی، وزن مخصوص و مقاومت فشاری نمونه ها در سنین متفاوت اندازه گیری شده اند. از بین داده های آزمایشگاهی بصورت تصادفی تعداد محدودی برای کنترل کارایی شبکه انتخاب و بقیه برای آموزش شبکه بکار برده شده اند. پس از آموزش شبکه و کنترل کارایی آن و همچنین مشخص شدن اوزان تنظیمی نسبت به آنالیز حساسیت داده ها اقدام شده است. نتایج حاصل همخوانی بسیار مناسبی با مقادیر واقعی داده های آزمایشی دارند و نشانگر کارایی خوب شبکه های عصبی برای تخمین خواص بتن سبک دانه می باشند. از طرفی مقایسه نتایج شبکه های عصبی مصنوعی با نتایج تخمین زده شده با 6 مدل آماری نشانگر این مساله بود که شبکه های عصبی مصنوعی می توانند جایگزین خوبی برای مدلهای آماری در جهت تخمین خواص بتن بکدانه سازه ای باشند.

Keywords:

شبکه های عصبی مصنوعی , LWAC , سبکدانه طبیعی , مدل آماری , آنالیز حساسیت , پیش بینی خواص بتن