ارزیابی عملکرد مدل های شبکه عصبی مصنوعی، نروفازی و رگرسیون چند متغیره در پیش بینی مقاومت فشاری بتن به کمک روش بارنقطه ای

پیام:
نوع مقاله:
مقاله پژوهشی/اصیل (دارای رتبه معتبر)
چکیده:
امروزه تعیین مقاومت بتن درجا مورد توجه می باشد. ضرورت انجام آزمایشات درجا را می توان در عامل های مختلفی چون تغییر یا توسعه سازه، بررسی کیفیت، ارزیابی مقاومت و عملکرد بتن جستجو نمود. در این پژوهش عملکرد مدل های شبکه عصبی مصنوعی، نروفازی تطبیقی و رگرسیون چندمتغیره با هدف سنجش مقاومت فشاری بتن با روش بارنقطه ای مورد مطالعه قرار می گیرد. همچنین رابطه ای محاسباتی بر اساس روش رگرسیون چند متغیره برای پیش بینی مقاومت فشاری بتن با روش بارنقطه ای ارایه می گردد. نتیجه ها نشان دهنده مناسب بودن مدل های شبکه عصبی، نروفازی و رگرسیون در پیش بینی مقاومت بتن به روش بارنقطه ای می باشد. ضریب همبستگی برای مدل شبکه عصبی، نروفازی و رگرسیون غیر خطی به ترتیب 9412/0، 8244/0 و 8938/0 می باشند که نشاندهنده خطای کمتر و در نتیجه دقت و عملکرد بهتر شبکه عصبی در پیش بینی مقاومت بتن به روش بارنقطه ای دارد. نتیجه این پژوهش نشان داد که توافق خوبی میان سنجش مقاومت فشاری بتن به کمک روش های مبتنی بر محاسبات نرم و مشاهدات واقعی وجود دارد که علاوه بر سهولت، موجب کاهش زمان ارزیابی مقاومت بتن درجا و کاهش هزینه ی مطالعات آزمایشگاهی می شود.
زبان:
فارسی
صفحات:
97 تا 111
لینک کوتاه:
magiran.com/p2293344 
دانلود و مطالعه متن این مقاله با یکی از روشهای زیر امکان پذیر است:
اشتراک شخصی
با عضویت و پرداخت آنلاین حق اشتراک یک‌ساله به مبلغ 1,390,000ريال می‌توانید 70 عنوان مطلب دانلود کنید!
اشتراک سازمانی
به کتابخانه دانشگاه یا محل کار خود پیشنهاد کنید تا اشتراک سازمانی این پایگاه را برای دسترسی نامحدود همه کاربران به متن مطالب تهیه نمایند!
توجه!
  • حق عضویت دریافتی صرف حمایت از نشریات عضو و نگهداری، تکمیل و توسعه مگیران می‌شود.
  • پرداخت حق اشتراک و دانلود مقالات اجازه بازنشر آن در سایر رسانه‌های چاپی و دیجیتال را به کاربر نمی‌دهد.
In order to view content subscription is required

Personal subscription
Subscribe magiran.com for 70 € euros via PayPal and download 70 articles during a year.
Organization subscription
Please contact us to subscribe your university or library for unlimited access!