پیش بینی مقاومت فشاری باقیمانده بتن حاوی سرباره پس از قرار گرفتن در دماهای بالا با استفاده از مدل شبکه عصبی پیچشی

دمای بالا به شدت به دوام و خواص مکانیکی بتن آسیب می رساند. آزمایش های تجربی برای تعیین مقاومتفشاری بتن آسیب دیده بر اثر آتش هزینه بر و زمان بر هستند. مطالعات گذشته نشان دادهاند که میتوان از روشهاییادگیری عمیق برای پیش بینی سریع و دقیق خواص بتن استفاده کرد. این مطالعه با استفاده از شبکه عصبی پیچشی(CNN) مدلی بهینه و دقیق برای پیش بینی مقاومت فشاری باقیمانده بتن حاوی سرباره در معرض دماهای بالاایجاد کرده است. مجموعه داده ها شامل ۱۶۱ نمونه بود که از مقالات اخیر جمع آوری شده و به طور تصادفی بهمجموعه های آموزشی (۷۰ درصد) و آزمایشی (۳۰ درصد) تقسیم شدند. ورودی های مدل شامل مقادیر طرحاختلاط، شکل و اندازه نمونه، رژیم گرمایش (دمای اوج، سرعت گرمایش و زمان قرار گرفتن در معرض)، سننمونه، مقاومت فشاری ۲۸ روزه و مقاومت فشاری نمونه حرارت ندیده در روز آزمایش بودند. خروجی مدلمقاومت فشاری باقیمانده بود. برای بهینه سازی فراپارامترهای مدل از الگوریتم ازدحام ذرات استفاده شد. درنهایت، سه مدل با بهترین عملکرد ارائه شدند. بهترین مدل مقادیر (MAE, RMSE, R(۲ و MAPE را برایداده های آزمایشی به ترتیب ۹۲۸ / ۰ ، ۲۴ / ۵ مگاپاسکال، ۶۴ / ۳ مگاپاسکال و ۷۴ / ۱۳ درصد به دست آورد. نتایج نشانمیدهند که مدل پیشنهادی میتواند مقاومت فشاری باقیمانده بتن حاوی سرباره در معرض دمای بالا را با دقتقابل توجهی پیش بینی کند، که این امر میتواند موجب صرفه جویی در زمان و هزینه شود.

Keywords:

بتن حاوی سرباره , مقاومت فشاری باقی مانده , یادگیری عمیق , شبکه عصبی پیچشی (CNN) , الگوریتم ازدحام ذرات (PSO)