Prognozowanie wytrzymałości na ściskanie betonu natryskowego przy zastosowaniu inteligentnych metod obliczeniowych: sztucznej sieci neuronowej i regresji wektorów wspierających
Prediction of shotcrete compressive strength using Intelligent Methods; Neural Network and Support Vector Regression

Hamid Kalhori , Raheb Bagherpour

Cytować jako / Cite as:

doi://

Wytrzymałość na ściskanie jest jedną z najważniejszych właściwości betonu. Wynik badania 28 dniowej wytrzymałości naściskanie betonu lub betonu natryskowego jest wskaźnikiem ich jakości, który bardzo zależy od składu mieszanki betonowej. Niektóre czynniki takie jak rodzaj cementu, stosunek woda / cement, suma drobnego i grubego kruszywa w mieszance, domieszki i in. wpływają na wytrzymałość betonu. Bardzo trudno jest prognozować wytrzymałość betonu z powodu dużej liczby takich parametrów. Obecnie, dysponując inteligentnymi metodami obliczeniowymi, modelowanie odgrywa szczególną rolę w naukach inżynierskich i prognozowaniu zachowania się materiału. Dlatego w artykule przedstawiono wyniki badań różnych mieszanek betonu natryskiwanego zawierającego pył krzemionkowy i zbiory ich wytrzymałości na ściskanie po 28 dniach. Modele ANN oraz SVR zastosowano do prognozowania wytrzymałości na ściskanie betonu natryskowego biorąc pod uwagę parametry mieszanek betonu natryskiwanego jako dane wejściowe. Współczynnik korelacji (R), średni bezwzględny błąd procentowy (MAPE) i pierwiastek błędu średniokwadratowego (RMSE) są statystykami użytymi jako miary efektywności proponowanych modeli prognostycznych. Porównanie wszystkich wyników obliczeń z wynikami doświadczeń wskazuje na zadawalającą dokładność wyników uzyskiwanych przy użyciu proponowanych inteligentnych metod obliczeniowych. Wyniki przeprowadzonych badań wskazują, że zarówno model ANN jak i model SVR są dogodnymi narzędziami do oszacowania wytrzymałości na ściskanie betonu natryskiwanego.

Compressive strength is one of the most important mechanical properties of concrete. 28-day compressive strength test is the acceptance measure of concrete or shotcrete, which is highly af- fected by the mix design. Some parameters like water/cement ratio, amount of fine and coarse aggregates in mix, admixtures and so on affect shotcrete strength. Due to the large number of such parameters, it is very difficult to predict the shotcrete strength. Today, owing to intelligent methods, modeling has a particular role in engineering sciences and predicting material behavior. Therefore, this paper examines different mix designs of shotcrete containing microsilica and records their 28-day compressive strength. Regarding shotcrete mix design parameters as inputs, ANN and SVR models were used to predict compressive strength of shotcretes. The correlation coefficient (R), mean absolute percentage error (MAPE) and the root mean square error (RMSE) statics are used for performance evaluation of proposed predictive models. All of the results showed that the accuracy of the proposed soft computing methods is quite satisfactory as compared to experimental results. The finding of this study indicated that the
both ANN and SVM models are sufficient tools for estimating the compressive strength of shotcrete.

Kategorie: 2019Nr 2 - 2019