علیرضا خالو - استاد دانشکده مهندسی عمران، دانشگاه صنعتی شریف
پیام حسینی - مسئول واحد پژوهش و تحقیقات، انستیتو بتن و مصالح پیشرفته، مرکز تحقیقا
عباس بوشهریان - مسئول گروه پژوهشهای بنیادی، انستیتو بتن و مصالح پیشرفته، مرکز تحقیق
پیام حسینی - مسئول واحد پژوهش و تحقیقات انستیتو بتن و مصالح پیشرفته، مرکز تحقیقات

با رشد و توسعه بکارگیری مصالح و روشهای مختلف در علم بتن، دستیابی به یک مدل جهت پیش بینی و تخمین اثرات این تغییرات جهت صرفه جویی در انرژی و زمان می توان اثربخش باشد. در همین راستا امروزه شبکه های عصبی مصنوعی به عنوان یک کلید سودمند در زمینه های گوناگون مهندسی عمران به کار گرفته شود. از طرف دیگر، توجه و تمرکز برروی عملکرد نانوذرات نیز در بسیاری از رشته ها فزونی یافته است. علاوه بر این فروسمنت به عنوان یک نوع خاص از دیوارهای کم ضخامت بتن مسلح مطرح می باشد که به طور کلی از ملات سیمان ساخته می شود و با توجه به عدم نیاز به مهارت خاص جهت ساخت و ویژگی های منحصر به فرد آن، در زمینه های گوناگون کاربرد یافته است. برهمین اساس، در این مقاله مدلی از شبکه های عصبی مصنوعی درجهت تخمین مقاومت فشاری 3 و 7 و 28 روزه ملاتهای دارای نانوذرات و فوق روان کننده بکار گرفته شد. متغیرهای طرح های اختلاط شامل سه نسبت آب به سیمان مختلف (0/5،0/4،0/35) چهار نسبت مختلف جایگزینی نانوذرات سیلیس (3%،2%،1%،0%) می باشند. جهت ساخت مدل آموزش و ارزیابی از نتایج 24 طرح اختلاط بهره گرفته شد. به طوری که 75% این نتایج جهت آموزش شبکه و 25% باقیمانده جهت ارزیابی عملکرد شبکه مورد استفاده قرار گرفتند. برنامه در نرم افزار MATLAB به اجرا در آمد. سپس اطلاعات طرح های اختلاط و متغیرهای شبکه در چهار لایه ورودی شامل نسبت ماسه به مواد سیمانی، درصد افزودن نانوذرات، نسبت آب به مواد سیمانی، و مقدار افزودن فوق روان کننده وارد گردید. علاوه بر این، در جهت افزایش عملکرد شبکه عهصبی مصنوعی، آنالیز اجزای اصلی صورت پذیرفت. از دیگر مزایای این اقدام حذف وابستگی متغیرها و همچنین حذف متغیری که کارآمدی آن کمتر است می باشد. لذا می توان نتیجه گرفت که با بکارگیری مدل مناسبی از شبکه های عصبی مصنوعی، ویژگی های سایر ملات های سیمانی مشابه بدون انجام تست های آزمایشگاهی قابل تخمین خواهد بود براساس نتایج بدست آمده از آموزش و ارزیابی شبکه می توان گفت که این نتایج بسیار نزدیک به نتایج آزمایشگاهی می باشند.

پیش بینی مقاومت، ملات فروسمنتی، نانوذرات سیلیس، شبکه عصبی مصنوعی