آمار
| تعداد نشریات | 36 |
| تعداد شماره‌ها | 1,192 |
| تعداد مقالات | 8,579 |
| تعداد مشاهده مقاله | 6,988,704 |
| تعداد دریافت فایل اصل مقاله | 4,032,550 |
استفاده از شبکه عصبی GMDH تعمیم‌یافته برای پیش‌بینی مقاومت فشاری بتن به کمک روش مغزهگیری | ||
| علوم و فناوریهای پدافند نوین | ||
| مقاله 3، دوره 9، شماره 4 - شماره پیاپی 34، دی 1397، صفحه 405-414 اصل مقاله (1.16 M) | ||
| نویسندگان | ||
| رحمت مدندوست* 1؛ ملک محمد رنجبر2؛ کمیل مومنی2 | ||
| 1دانشکده فنی و مهندسی-دانشگاه گیلان-ایران-رشت | ||
| 2دانشکده فنی و مهندسی-دانشگاه گیلان-رشت | ||
| تاریخ دریافت: 10 بهمن 1397، تاریخ بازنگری: 06 مرداد 1403، تاریخ پذیرش: 10 بهمن 1397 | ||
| چکیده | ||
| در این مطالعه، شبکه عصبی GMDH با ساختار عمومی (تعمیم‌یافته) با موفقیت برای مدل‌سازی روش مغزهگیری حاوی میلگرد و بر پایه نتایج گسترده آزمایشگاهی بکار گرفته شده است. الگوریتم ژنتیک و روش تجزیه مقادیر منفرد برای تعیین ساختار بهینه مدل گسترش یافته‌اند. مجموعه داده‌های ورودی و خروجی برای آموزش و آزمایش مدلهای استخراج‌شده شامل متغیرهای قطر مغزه بتنی، نسبت ابعاد مغزه، تعداد میل‌گردهای داخل مغزه، فاصله محور میلگرد تا انتهای نزدیک تر مغزه و نیز مقاومت مغزه (با و بدون میلگرد) بهعنوان پارامترهای ورودی و مقاومت مکعبی استاندارد بتن بهعنوان متغیر خروجی مدل در نظر گرفته شده‌اند. مقایسه بین نتایج آزمایشگاهی بهدستآمده در این مطالعه و مقادیر متناظر پیش‌بینی‌شده توسط مدل GMDH نشان داد که این مدل توانایی بالایی در پیش‌بینی مقاومت فشاری بتن بر پایه نتایج آزمایش مغزهگیری دارد. در انتها، آنالیز حساسیت به منظور بررسی تأثیر پارامترهای ورودی بر خروجی مدل GMPH انجام گرفت. این آنالیز نشان داد که مقادیر متغیر خروجی (مقاومت مکعبی استاندارد بتن) بهطور قابل‌توجهی متأثر از مقادیر پارامترهای مقاومت مغزه و تعداد میل‌گردها در مقایسه با سایر متغیرهاست. | ||
| کلیدواژه‌ها | ||
| مقاومت فشاری؛ آزمایش مغزه؛ GMDH؛ الگوریتم ژنتیک؛ میلگرد | ||
| عنوان مقاله [English] | ||
| Generalized GMDH-Type Neural Network for Prediction of Concrete Compressive Strength via Core Testing | ||
| نویسندگان [English] | ||
| Rahmat Madandoust1؛ Malek Mohammad Ranjbar2؛ komeil momeni2 | ||
| چکیده [English] | ||
| In this paper, generalized Group Method of Data Handling (GMDH)-type neural network has been successfully used for modeling concrete core testing including reinforcing bars based on various data obtained experimentally. Genetic Algorithm (GA) and Singular Value Decomposition (SVD) techniques are deployed for optimal design of such model. A set of input-output data for the training and testing the evolved models are employed in which core diameter, length-to-diameter ratio, number of reinforcing bars, distance of bar axis from nearer end of core as well as strength of cores, with or without reinforcing bars, are considered as inputs and standard cube strength of concrete is regarded as the output variables. The comparison of results obtained experimentally in this work with the proposed GMDH model depicted that this model has a great ability for prediction of the concrete compressive strength on the basis of core testing. Finally, sensitivity analysis was performed on the models obtained by GMDH-type neural network to study the influence of input parameters on model output. The sensitivity analysis reveals that the output variable (standard cube strength) is significantly changed by core strength and number of rebars in comparison with other input variables. | ||
| کلیدواژه‌ها [English] | ||
| compressive strength, core test, GMDH, genetic algorithm, reinforcing bars | ||
|
آمار تعداد مشاهده مقاله: 713 تعداد دریافت فایل اصل مقاله: 256 |
||