مروری بر استفاده از تکنیک های دادهکاوی در پیش بینی مقاومت بتن

Publish Year: 1395
نوع سند: مقاله کنفرانسی
زبان: Persian
View: 527

This Paper With 15 Page And PDF Format Ready To Download

  • Certificate
  • من نویسنده این مقاله هستم

این Paper در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این Paper:

شناسه ملی سند علمی:

COMCONF02_083

تاریخ نمایه سازی: 5 بهمن 1395

Abstract:

بتن دومین ماده پرمصرف جهان پس از آب و پراستفادهترین ماده ساختوساز در دنیاست. مقاومت فشاری بتن یکی از خواص مهم آن بشمار میآید. پارامترهایی نظیر نسبت آب به سیمان، میزان ریزدانه و درشتدانه، مواد افزودنی و غیره بر مقاومت بتن تأثیرگذارند و با توجه به فراوانی این پارامترها، پیشبینی مقاومت بتن بسیار دشوار به نظر میرسد. به همین دلیل روشهای هوشمند باقابلیت یادگیری از مثالها در پیشبینی مقاومت فشاری بتن مورداستفاده قرار گرفت. هدف اصلی یک سیستم مدلسازی این است که از مجموعه دادههای آزمایشگاهی بزرگ برای ترکیبات مختلف بتن استفاده نماید تا به خوبی ماهیت برخی پدیده های فیزیکی همچون مقاومت فشاری آن را منعکس نماید. این پیش بینی امکان تنظیمات نسبت اختلاط در صورت عدم دستیابی به سطح موردنظر طراحی را میدهد که میتواند در زمان و هزینه های ساخت وساز صرفه جویی نماید. در این مقاله به بررسی برخی از مطالعات اخیر انجام شده با استفاده از روش هایمختلف داده کاوی به منظور پیش بینی مقاومت فشاری بتن های مختلف پرداخته شده است. همچنین شرح مختصری از روش های مورداستفاده، نتایج بهدستآمده و مزایا و معایب این روشها آورده شده است .

Authors

مهتاب ترکان

دانشکده مهندسی کامپیوتر،واحد نجف آباد،دانشگاه آزاد اسلامی ، نجف آباد ، ایران

محمد نادری دهکردی

دانشکده مهندسی کامپیوتر،واحد نجف آباد،دانشگاه آزاد اسلامی ، نجف آباد ، ایران

مراجع و منابع این Paper:

لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :
  • رمضانیان پور، ع.، پیلوار، ار. و سبحانی، ج. (1931)، "تخمین ...
  • Chou, J.S. and et al. (20 10), ;Optimizing the prediction ...
  • Chou, J. S. and Tsai, C.-F. (20 12), ;Concrete compressive ...
  • Chou, J.S. and Pham, A.-D. (20 13), ;:Enhanced artificial intelligence ...
  • Atici, U. (2011);:Prediction of the strength of mineral admixture concrete ...
  • Madandoust, R., Bungey, J.H. and Ghavidel, R. (20 12);:Prediction of ...
  • Alexandridis, A. and et al. (2012), "A neural network approach ...
  • Safarzadegan Gilan, S., Bahrami Jovein, H. and Ramezani anpour, A.A. ...
  • Ayaz, Y., Kocamaz, A.F. and Karako, , M.B. (2015), Modeling ...
  • Zain, M.F.M. and Abd, S.M. (2009) , :Multiple regression model ...
  • Fausett, L. (1994) _ "Fundamentas of neural networks: architectures, algorithms, ...
  • Beale, R. and Jackson, T .(1990), "Neural Computing-an introduction, "CRC ...
  • Nikoo, M., Torabian Moghadam, F. and Sadowski, L. (2015), :Prediction ...
  • Jang, J.S.R. (1993), ;ANFIS: adaptive -network-b ased fuzzy inference system, ...
  • Kalaiselvi, C. and Nasira, G. (2015), :Prediction of Heart Diseases ...
  • Yuan, Z., Wang, L.N. and Ji, X. (20 14), ;Prediction ...
  • Cortes, C. and Vapnik, _ (1995) _، ، Support-vector networks ...
  • Moraes, R., Valiati, J.F. and Neto, W.P.G. (20 13) _ ...
  • Sobhani, J., Khanzadi, M. and Movahedian, A. (20 13), ;CSupport ...
  • Bresfelean, V.P. (2011), "Data mining and model trees study on ...
  • Taneja, S., (2014), _ Imp lementation of Novel Algorithm (SPruning ...
  • نمایش کامل مراجع