علی اکبر رمضانیانپور - استاد دانشکده مهندسی عمران و محیط زیست ، دانشگاه صنعتی امیرکبیر
مریم حقانی - دانشجوی کارشناسی ارشد مهندسی عمران ، گرایش سازه ، دانشگاه صنعتی امیرک

به دلیل پیچیدگی رفتار بتن و تغییر در مشخصات آن که ناشی از تغییر در کیفیت و کمیت مصالح و شرایط حاکم بر مساله می‎باشد ، ارایه طرح اختلاط مناسب با توجه به شرایط اجرا و نیازهای طرح بسیار پیچیده است. این پیچیدگی همزمان با افزایش تعداد پارامترهای مؤثر بر مساله در حالتی همچون بتن حجیم نمود بیشتری می یابد. با پیشرفت علم از شبکه های عصبی به منظور مدل نمودن معادلات چند مجهولی غیر خطی در زمینه های مختلف علوم مهندسی استفاده شده است که بحث طرح اختلاط بتن حجیم نیز مطمئنا" از این قاعده مستثنی نمی‎باشد .] 1[ لذا در این تحقیق سعی گردیده با استفاده از شبکه های عصبی پیشخور همراه با روش الگوریتم یادگیری پس انتشار خطا به پیش بینی طرح اختلاط بتن حجیم پرداخته شود . پارامترهای ورودی مدل در نظر گرفته شده شامل وزن مصالح درشت دانه و ریزدانه (به تفکیک دانه بندی )، آب ، سیمان و مواد روان کننده ، ماکزیمم سایز درشت دانه ، درجه حرارت بتن ، در صد هوای بتن تازه ، وزن حجمی بتن تازه و نسبت آب به سیمان می باشد .با استفاده از روشهای ریاضی بهترین مدل جهت ارائه بهترین نتایج مد نظر قرار گیرد و در تمامی این مدلها پارامترهای خروجی یکی از دو پارامتر مقاومت 7 روزه و یا مقاومت 28 روزه بتن بوده است . در این مدل از اطلاعات مربوط به 73 نمونه آزمایشگاهی یکی از سدهای استان خوزستان استفاده شده که از آن میان 58 داده به عنوان زوج آموزشی و 15 داده به عنوان زوج آزمایشی در نظر گرفته شده است . در انتخاب داده های آزمایشی با استفاده از روشهای آماری دقت کافی به منظورکفایت داده ها و توزیع مناسب آنها صرف گردیده است . در این مدل به منظور رسیدن به نتایج مناسب ، روشهای پیش پردازشی متفاوتی مورد استفاده قرار گرفته است که نتایج هر یک به نوبه خود حائز اهمیت می باشد . نکته ای که کاملا" در تمامی این مدلها به صورت واضع مشاهده می گردد این است که این مدلها با یک خطای قابل قبول مهندسی نتایج مناسبی را در اختیار کاربر قرار می دهند

شبکه عصبی مصنوعی، بتن حجیم، پیش پردازش، ضریب همبستگی، مقاومت فشاری، میانگین مجذورات خطا