ترکیب مدل های شبکه عصبی برای پیش بینی مقاومت چسبندگی میلگردهای پلیمری با الیاف شیشه به بتن

استفاده از مصالح FRP و سایر مصالح کامپوزیتی به عنوان میلگرد یا ورق، یکی از گزینه های مناسب فنی و اقتصادی در ساخت، بهسازی و مقاوم سازی سازه هایی نظیر سازه های بتنی است. یکی از مهمترین مسایلی که باید در مورد استفاده از چنین مصالحی مدنظر قرار گیرد، مقاومت چسبندگی آنها به بتن سازه ای است. در این مقاله، تاثیر ترکیب مدل های پیش بینی گروهی با مد ل های تخمین منفرد بر روی بهتر شدن نتایج مدل های منفرد برآورد مقاومت چسبندگی میلگردهای FRP با الیاف شیشه به بتن مورد بررسی قرار می گیرد. برای رسیدن به این هدف ابتدا از شبکه های عصبی با ورودی های نتایج پیش بینی دو مدل منفرد قبلا ارایه شده برای برآورد مقاومت چسبندگی GFRP به منظور بهبود نتیجه بهترین مدل از میان دو مدل مذکور استفاده می شود. سپس با درنظرگیری خروجی-های پیش بینی مدل شبکه عصبی اول و بهترین مدل منفرد از بین دو مدل فوق الذکر به عنوان ورودی، دوباره از شبکه های عصبی برای ارایه یک مدل بهتر از مدل ANN اول استفاده می شود. نتایج انتهایی نشان از کاهش خطای پیش بینی مدل ANN ترکیب شده از روش-های منفرد و گروهی نسبت به مدل های منفرد قبلا ارایه شده، مدل میانگین وزن دار نتایج خروجی پیش بینی شده دو مدل منفرد مذکور و مدل ANN ترکیبی آن دو مدل منفرد می دهند.