پایان نامه کارشناسی ارشد:بررسی عملکرد روش‌های عددی مطرح در پیش‌بینی مقاومت فشاری بتن الیافی و مقایسه آن با رابطه‌های تجربی












 

چکیده

بتن ازجمله پرمصرف‌ترین مصالح ساختمانی در دنیا می­باشد. با گسترش استفاده از بتن، ویژگی‌هایی همچون کیفیت، دوام، تراکم و بهینه‌سازی آن از اهمیت ویژه‌ای برخوردار است. در خصوص بتن خود تراکم یا SCC که بتنی بسیار سیال، روان و مخلوطی همگن است و بسیاری از مشکلات بتن معمولی نظیر جداشدگی، آب اندازی، جذب آب، نفوذپذیری و … را مرتفع نموده، می‌توان در مورد دستیابی به روابط تجربی جهت پیش­بینی مقاومت فشاری آن پرداخت. شبکه‌های عصبی مصنوعی یا ANN به‌طور خودکار روابط بین متغیرها را مدیریت کرده و بر مبنای داده‌های مورداستفاده در فرآیند آموزش تطبیق می‌دهند. دراین‌ارتباط جمع‌آوری تعداد مناسب اطلاعات آزمایشگاهی از اهمیت خاصی برخوردار است. در استفاده از ANN، یک پایگاه داده با استفاده از آزمایش‌های موجود بر روی نتایج مقاومت فشاری در نمونه‌های بتن به‌منظور بررسی تأثیر متغیرهای مختلف ایجاد می‌گردد.

در این تحقیق از دو نرم‌افزار Matlab و Minitab بهره جسته‌ایم. نرم‌افزار MaTlab یک ابزار قوی ریاضی و مهندسی در جهت شبیه‌سازی و مدل‌سازی سیستم‌های مختلف است. همچنین MiniTab یک نرم‌افزار کنترل کیفیت آماری برای تجزیه‌وتحلیل داده‌ها می‌باشد.

در این پایان‌نامه سعی گردیده است تا رابطه پیشنهادی برای مقاومت فشاری بتن الیافی خودتراکم ارائه می‌شود. در ارتباط با تعداد نمونه‌ها، تعداد ۱۴۰ دیتا از مقاله Murat Pala (2005) استخراج گردیده است. در پایان، نتایج حاصل از مدل شبکه عصبی و نیز مدل فازی با رابطه پیشنهادی و داده‌های آزمایشگاهی مقایسه گردید، که نتایج حاکی از دقت قابل‌قبول رابطه پیشنهادی است. برای مدل شبکه عصبی پایه شعاعی خطای RSE برای داده‌های تست (مجموعه شبیه‌سازی) ۱۱٫۸۲% بود و این در حالی است برای مدل شبکه عصبی فازی و رابطه پیشنهادی به ترتیب برابر ۲۳٫۴۳% و ۲۲٫۶۵% به دست آمد. همچنین مقادیر ضرایب همبستگی برای مدل‌های ANN، فازی و رابطه پیشنهادی در مجموعه شبیه‌سازی (مجموعه خارج از مدل‌سازی) به ترتیب برابر ۰٫۹۹، ۰٫۹۴ و ۰٫۸۰۶۱ به دست آمد که قدرت بالای پیشگویی رابطه پیشنهادی را نشان می‌دهد.

فهرست مطالب

چکیده…………………………………………………………………………………………………………………………………………………. ۱

۱-فصل اول. ۵

۱-۱مقدمه. ۶

۱-۲بیان مسئله. ۶

۱-۳اهمیت تحقیق.. ۷

۱-۴جنبه جدید بودن و نوآوری در تحقیق.. ۸

۱-۵اهداف تحقیق.. ۹

۱-۶جمع بندی.. Error! Bookmark not defined.

۱-۷تشریح مختصر از فصول پایان نامه. ۹

۲-فصل دوم. ۱۱

۲-۱مقدمه. ۱۲

۲-۲بتن الیافی.. ۱۳

۲-۳پیشینه تحقیق.. ۱۴

۳-فصل سوم. ۲۶

۳-۱مقدمه. ۲۷

۳-۲ساختار مصالح پلیمری مسلح شده با فیبر(FRP) 27

۳-۲-۱الیاف شیشه. ۲۸

۳-۲-۲الیاف کربن.. ۲۹

۳-۲-۳الیاف آرامید. ۳۰

۳-۳انواع محصولات FRP. 30

۳-۴میله‌های کامپوزیتی FRP. 31

۳-۵مشخصات اساسی محصولات کامپوزیتی FRP. 33

۳-۵-۱مقاومت در مقابل خوردگی.. ۳۳

۳-۵-۲مقاومت… ۳۴

۳-۵-۳مدول الاستیسیته. ۳۴

۳-۵-۴وزن مخصوص…. ۳۵

۳-۵-۵عایق بودن. ۳۵

۳-۵-۶خستگی.. ۳۵

۳-۵-۷خزش… ۳۵

۳-۵-۸خم شدن. ۳۶

۳-۵-۹انبساط حرارتی.. ۳۶

۳-۵-۱۰دوام کامپوزیت‌های FRP. 36

۳-۵-۱۱پیر شدگی فیزیکی ماتریس پلیمر. ۳۷

۳-۵-۱۲تأثیر رطوبت… ۳۸

۳-۵-۱۳تأثیرات حرارتی – رطوبتی.. ۴۱

۳-۵-۱۴محیط قلیایی.. ۴۲

۳-۵-۱۵تأثیر دمای پائین.. ۴۲

۴-فصل چهارم. ۴۵

۴-۱مقدمه. ۴۶

۴-۲روش‌شناسی تحقیق.. ۴۶

۴-۳اختلاط بتن.. ۴۶

۴-۳-۱ساخت بتن‌های الیاف… ۴۷

۴-۴معرفی نرم‌افزار MATLAB.. 48

۴-۵شبکه عصبی مصنوعی.. ۵۱

۴-۵-۱مزایا شبکه عصبی.. ۵۰

۴-۵-۲معایب شبکه عصبی.. ۵۰

۴-۵-۳چرا از شبکه‌های عصبی استفاده می‌کنیم. ۵۱

۴-۶ساختار شبکه. ۵۱

۴-۷مدل‌های پیش‌بینی مقاومت- مدت با استفاده از شبکه عصبی و نتایج پیش‌بینی.. ۵۲

۴-۸پیش‌پردازش داده‌ها ۵۲

۴-۹آموزش پارامترها و پیش‌بینی.. ۵۳

۴-۱۰ساختار و پارامترها در مدل RBFNN.. 54

۴-۱۱شبکه‌های عصبی مصنوعی.. ۵۴

۴-۱۲سیستم‌های فازی.. ۵۶

۴-۱۲-۱سیستم‌های استنتاج فازی تطبیقی.. ۵۶

۴-۱۲-۲شرح سیستم فازی.. ۵۷

۴-۱۲-۳معرفی نرم‌افزار MiniTab. 60

۴-۱۲-۴تحلیل داده‌ها با استفاده از نرم‌افزار MiniTab. 62

۴-۱۲-۵واردکردن داده‌ها در MiniTab. 62

۴-۱۲-۶انتخاب آزمون و روش آماری مناسب… ۶۳

۴-۱۲-۷روش ارائه معادله در MiniTab. 65

۵-فصل پنجم. ۶۸

۵-۱مقدمه. ۶۹

۵-۲مواد و روش‌ها ۶۹

۵-۳مدل‌سازی با استفاده از شبکه عصبی.. ۶۹

۵-۴بدست آورن مقادیر مناسب شبکه عصبی.. ۷۱

۵-۵-بهینه کردن مقادیر LR.. 72

۵-۵-۱بهینه کردن مقادیر MO.. 73

۵-۵-۲بهینه سازی تعداد نورون ها ۷۴

۵-۵-۳بهینه سازی مقادیرIT  )تعداد تکرار) ۷۶

۵-۶طراحی شبکه عصبی فازی.. ۸۰

۵-۷بررسی مقادیر خطا روی پاسخ های حاصل از داده های آموزشی شبکه عصبی.. ۸۴

۵-۸ارزیابی نهایی مدل های طراحی شده و مقایسه مدل ها با هم. ۸۵

۵-۹ارزیابی شبکه عصبی مصنوعی توسط داده های شبیه سازی شده ۸۵

۵-۱۰معادله ارائه شده مقاومت بتن توسط MiniTab.. 86

۵-۱۱مقایسه و ارزیابی رابطه ارائه شده  توسط  MiniTAB با مقادیر واقعی  و رابطه های دیگر محققین.. ۸۸

۵-۱۲مقایسه نتایج تحقیق حاضر با کار محققین گذشته. ۹۲

۵-۱۲-۱مقایسه کار حاضر با کار هولت… ۹۲

۵-۱۲-۲مقایسه کار حاضر با کار کئلک… ۹۲

۵-۱۲-۳مقایسه کار حاضر با کار گیوی.. ۹۳

۵-۱۲-۴مقایسه کار حاضر با کار ویلد. ۹۳

۵-۱۲-۵مقایسه کار حاضر با کار هان. ۹۴

۵-۱۳نتیجه گیری.. ۹۴

۶-فصل ششم. ۹۶

۶-۱نتیجه گیری.. ۹۷

۶-۲پیشنهادها ۹۸

۱-     فصل اول

مقدمه

۱-۱-    مقدمه

طبق شورای تجارت جهانی توسعه پایدار (WBCSD) و ابتکارهای پایایی سیمان ((CSI، بتن دومین ماده پرمصرف در جهان بعد از آب می‌باشد. در دهه اخیر روش اجرای بتن در کارهای مختلف به‌خصوص در صنعت سدسازی پیشرفت فراوانی داشته و در حال حاضر موردتوجه دست‌اندرکاران این صنعت و مؤسسات تحقیقاتی و دانشگاهی است. در حقیقت پروژه‌های آبی پایدار تکیه به بتن برای ذخیره‌سازی، توزیع، اصلاح و بازیابی دارند [۱].

عاملی که باعث بروز خصوصیات متفاوت از بتن معمول در بتن الیاف می‌شود، حضور رس بنتونیت در این بتن است. وجه تمایز این بتن و بتن معمول در حضور رس در مخلوط و نسبت آب به سیمان بالای این بتن است. ساختار کانی‌شناسی رس تفاوت معناداری بر ویژگی‌های بتن الیاف که برای کاربری‌های پی‌سازی اهمیت دارد، نشان می‌دهد. روش شبکه عصبی زمینه‌های تجزیه‌وتحلیل را در زمینه‌های مختلفی از علوم و فنّاوری فراهم می‌کند. این روش غالباً برای توسعه مدل‌های آماری در سیستم‌های غیرخطی به‌کاررفته و قادر به شبیه‌سازی مسائل با رفتاری‌های پیچیده است [۲].

۱-۲-     بیان مسئله

بتن ازجمله پرمصرف‌ترین مصالح ساختمانی در دنیا شناخته‌شده است. با گسترش استفاده از بتن ویژگی‌هایی همچون کیفیت، دوام، تراکم و بهینه‌سازی آن از اهمیت ویژه‌ای برخوردار می‌شوند. در خصوص بتن خود تراکم که بتنی بسیار سیال، روان و مخلوطی همگن است و بسیاری از مشکلات بتن معمولی نظیر جداشدگی، آب اندازی، جذب آب، نفوذپذیری و … را مرتفع نموده می‌توان به جستجو و تحقیق در مورد روابط تجربی جهت پیش‌بینی مقاومت فشاری بتن پرداخت [۱].

بتن در میان مصالح ساختمانی دیگر دارای مقاومت فشاری بالایی بوده و به همین دلیل از آن در اجرای اعضاء تحت‌فشار استفاده می‌شود [۲]. می‌توان به پیش‌بینی میزان خوردگی میلگرد در بتن پرداخت و در این خصوص نیز جست‌وجو کرد که آیا روابط تجربی وجود دارد یا خیر. در این خصوص ورودی‌های شبکه می‌تواند ، ماسه و شن باشد.

شبکه‌های مصنوعی به‌طور خودکار روابط بین متغیرها را مدیریت کرده و بر مبنای داده‌های مورداستفاده در فرآیند آموزش تطبیق می‌دهند. بنابراین جمع‌آوری تعداد مناسب اطلاعات آزمایشگاهی از اهمیت خاصی برخوردار است. یک پایگاه داده با استفاده از آزمایش‌های موجود بر روی نتایج مقاومت فشاری در نمونه‌های بتن به‌منظور بررسی تأثیر متغیرهای مختلف ایجاد می‌گردد. درنهایت یک مدل جدید بر مبنای شبکه‌های عصبی مصنوعی پیشنهاد می‌شود.

۱-۳-    اهمیت تحقیق

کنترل تنش و اصلاح آن در بتن‌های الیافی یک مسئله حیاتی است. ازآنجایی‌که دیوار در ساده‌ترین شکل ساختاری‌اش یک دیافراگم سخت است، تغییر شکل با افزایش سطح ذخیره مخزن یا فعالیت‌های لرزه‌ای می‌تواند باعث شکست آن شود که به‌طور وسیع کارایی جریان را در دیواره آب‌بند کاهش می‌دهد و امنیت بتن را به خطر می‌اندازد. در پاسخ به این معضل محققین بتن الیاف را پیشنهاد داده‌اند که خصوصیات تغییر شکل مشابه دیوار بتنی دارد [۲]. بتن الیاف شامل سنگ‌دانه، سیمان، آب و مخلوط رس با یک نسبت آب به سیمان بالا برای تولید یک ماده شکل‌پذیر است. بنتونیت موجود در این بتن باعث می‌شود که بتن الیاف شکل‌پذیری بیشتری از خود نشان دهد. همچنین وجود بنتونیت نفوذپذیری بتن را افزایش می‌دهد. حضور رس منجر به کاهش مقاومت فشاری بتن الیاف نیز می‌شود. البته باید به این نکته نیز توجه داشت که افزایش مقاومت همراه با کاهش نفوذپذیری بتن خواهد شد که مطلوب نیست [۷]. بنابراین معرفی مصالح جدید به‌عنوان رس بتن الیاف می‌تواند در جهت تولید بتن‌های اقتصادی‌تر و باکیفیت بهتر کمک شایانی بنماید. همچنین با این تحقیق ارزیابی از کیفیت رس‌های مختلف در بتن به عمل خواهد آمد که این می‌تواند نقطه‌ضعف و محاسن رس‌های مختلف را در بتن الیاف نشان دهد. علاوه بر آن استفاده از شبکه‌های عصبی به‌عنوان روشی جهت پیش‌بینی پارامترهای مقاومتی بتن الیاف، ازجمله موضوعاتی است که تقریباً هنوز دست‌نخورده مانده و با انجام این مطالعه می‌توان به شناخت بهتری از قدرت پیش‌بینی شبکه‌های عصبی در حوزه‌های مختلف دست‌یافت.

۱-۴-    جنبه جدید بودن و نوآوری در تحقیق

بتن الیاف مصالحی با مقاومت پایین (کمتر از بتن معمولی) و دارای شکل‌پذیری بیشتر از بتن معمولی می‌باشد. معمولاً در بتن الیاف از نسبت‌های سیمان به آب پایین استفاده می‌شود. بتن الیاف علاوه بر تغییر شکل‌پذیری بالا و نفوذپذیری کم، از مقاومت برشی متناسب با فشار اعمالی برخوردار می‌باشد. مهم‌ترین تفاوت آن با بتن معمولی وجود رس با خاصیت خمیری بالا می‌باشد [۱].

در حال حاضر بتن الیاف با استفاده از رس بنتونیت تهیه می‌شود که به علت شکل‌پذیری بالای آن، مقاومت کمی دارد. بنابراین استفاده از منابع جدید رس و همچنین منابعی که ضمن شکل‌پذیری توان مقاومتی بالایی داشته باشند، می‌تواند یک امر مهم و ضروری باشد. در کشور ما منبع عظیمی از شیل وجود دارد که به‌عنوان ترکیبات زمین‌شناسی مشکل‌دار از منظر ژئوتکنیکی مطرح هستند و بررسی کارایی آن‌ها به‌عنوان مصالح می‌تواند دریچه‌ای در استفاده بهتر از مصالح را باز کند. همچنین رس‌های سپیولایت ویژه مناطق خشک بوده که ویژگی‌های آن‌ها حد واسط گروه کائولینیت و بنتونیت می‌باشد که استفاده آن‌ها به‌عنوان دیوار بتنی احتمال دارد ویژگی‌هایی مانند کاهش نفوذپذیری و افزایش مقاومت نسبت به بنتونیت را برآورده کند. با توجه به مقدمه ذکرشده کارایی این کانی‌ها در بتن الیاف به‌منظور معرفی مصالح جدید و همچنین بررسی قابلیت آن‌ها بسیار کاربردی خواهد بود.

برای خرید و دانلود فایل کلیک کنید

۲-    فصل دوم

مروری بر منابع و پیشینه تحقیق

۲-۱-    مقدمه

 خوردگی قطعات فولادی در سازه‌های مجاور آب و نیز خوردگی میلگردهای فولادی در سازه‌های بتن‌آرمه‌ای که در معرض محیط‌های خورنده کلروری و کربناتی قرار دارند، یک مسئله بسیار اساسی تلقی می‌شود. در محیط‌های دریایی و مرطوب وقتی‌که یک سازه بتن‌آرمه معمولی به‌صورت درازمدت در معرض عناصر خورنده نظیر نمک‌ها، اسیدها و کلرورها قرار گیرد، میلگردها به دلیل آسیب‌دیدگی و خوردگی، قسمتی از ظرفیت خود را از دست خواهند داد. به‌علاوه فولادهای زنگ‌زده بر پوسته بیرونی بتن فشار می‌آورد که به خرد شدن و ریختن آن منتهی می‌شود. تعمیر و جایگزینی اجزاء فولادی آسیب‌دیده و نیز سازه بتن آرمه‌ای که به دلیل خوردگی میلگردها آسیب‌دیده است، میلیون‌ها دلار خسارت در سراسر دنیا به بار آورده است. به همین دلیل سعی شده که تدابیر ویژه‌ای جهت جلوگیری از خوردگی اجزاء فولادی و میلگردهای فولادی در بتن اتخاذ گردد که ازجمله می‌توان به حفاظت کاتدیک اشاره نمود. بااین‌وجود برای حذف کامل این مسئله، توجه ویژه‌ای به جانشینی کامل اجزاء و میلگردهای فولادی با یک ماده جدید مقاوم در مقابل خوردگی معطوف گردیده است. ازآنجاکه کامپوزیت‌های [۱]FRP به‌شدت در مقابل محیط‌های قلیایی و نمکی مقاوم هستند، در دو دهه اخیر موضوع تحقیقات گسترده‌ای جهت جایگزینی کامل با قطعات و میلگردهای فولادی بوده‌اند. چنین جایگزینی به‌خصوص در محیط‌های خورنده نظیر محیط‌های دریایی و ساحلی بسیار مناسب به نظر می‌رسد. در فصل سوم مروری بر خواص، مزایا و معایب مصالح کامپوزیتی FRP صورت گرفته و قابلیت کاربرد آن‌ها به‌عنوان جانشین کامل فولاد در سازه‌های مجاور آب و به‌خصوص در سازه بتن‌آرمه، به جهت حصول یک سازه کاملاً مقاوم در مقابل خوردگی، موردبحث قرار خواهد گرفت.

۲-۲-    بتن الیافی

بسیاری از سازه‌های بتن‌آرمه‌ی موجود در دنیا در اثر تماس با سولفات‌ها، کلریدها و سایر عوامل خورنده، دچار آسیب‌های اساسی شده‌اند. این مسئله هزینه‌های زیادی را برای تعمیر، بازسازی و یا تعویض سازه‌های آسیب‌دیده در سراسر دنیا موجب شده است. این مسئله و عواقب آن گاهی نه‌تنها به‌عنوان‌مثال مسئله مهندسی، بلکه به‌عنوان‌مثال مسئله اجتماعی جدی تلقی شده است [۱]. تعمیر و جایگزینی سازه‌های بتنی آسیب‌دیده میلیون‌ها دلار خسارت در دنیا به دنبال داشته است. در امریکا، بیش از ۴۰ درصد پل‌ها در شاهراه‌ها نیاز به تعویض و یا بازسازی دارند ]۲[. هزینه بازسازی و یا تعمیر سازه‌های پارکینگ در کانادا، ۴ تا ۶ میلیارد دلار کانادا تخمین زده‌شده است [۳].

از مواردی که سازه‌های بتن‌آرمه به‌صورت سنتی مورداستفاده قرار می‌گرفته، کاربرد آن در مجاورت آب و نیز در محیط‌های دریایی بوده است. تاریخچه کاربرد بتن‌آرمه و بتن پیش‌تنیده در کارهای دریایی به سال ۱۸۹۶ برمی‌گردد ]۴[. دلیل عمده این مسئله، خواص ذاتی بتن ازجمله مقاومت خوب و سهولت در قابلیت اجرا در بتن‌ریزی درجا و بتن پیش‌تنیده است. بااین‌وجود شرایط آب و هوایی و محیطی خشن و خورنده اطراف سازه‌های ساحلی و دریایی همواره به‌عنوان‌مثال تهدید جدی برای اعضاء بتن‌آرمه محسوب گردیده است. در محیط‌های ساحلی و دریایی، خاک، آب زیرزمینی و هوا، اکثراً حاوی مقادیر زیادی از نمک‌ها شامل ترکیبات سولفور و کلرید هستند.

در یک محیط دریایی نظیر خلیج‌فارس، شرایط جغرافیایی و آب و هوایی نامناسب، که بسیاری از عوامل خورنده را به دنبال دارد، با درجه حرارت و نیز رطوبت بالا همراه شده که درنتیجه خوردگی در فولادهای به‌کاررفته در بتن‌آرمه را کاملاً تشدید می‌کند. در مناطق ساحلی خلیج‌فارس، در تابستان درجه حرارت از ۲۰ تا ۵۰ درجه سانتی‌گراد تغییر می‌کند، درحالی‌که گاه اختلاف دمای شب و روز، بیش از ۳۰ درجه سانتی‌گراد متغیر است. این در حالی است که رطوبت نسبی اغلب بالای ۶۰ درصد بوده و بعضاً نزدیک به ۱۰۰ درصد است. به‌علاوه هوای مجاور مقدار بالایی از دی‌اکسید گوگرد و ذرات نمک را دارد [۵]. به همین جهت است که از منطقه دریایی خلیج‌فارس به‌عنوان مثالی از مخرب‌ترین محیط‌ها برای بتن در دنیا یادشده است [۶]. در چنین شرایطی، ترک‌ها و ریزترک‌های متعددی در اثر انقباض و نیز تغییرات حرارتی و رطوبتی ایجادشده که این مسئله به‌نوبه خود، نفوذ کلریدها و سولفات‌های مهاجم را به داخل بتن تشدید کرده و شرایط مستعدی برای خوردگی فولاد فراهم می‌آورد [۷،۹]. به همین جهت بسیاری از سازه‌های بتن مسلح در نواحی ساحلی ایران نظیر سواحل بندرعباس، در کمتر از ۵ سال ازنظر سازه‌ای غیرقابل استفاده گردیده‌اند.

نظیر این مسئله برای بسیاری از سازه‌های در مجاورت آب، که در محیط دریایی و ساحلی قرار ندارند نیز وجود دارد. پایه‌های پل، آبگیرها، سدها و کانال‌های بتن‌آرمه نیز از این مورد مستثنا نبوده و اغلب به دلیل وجود یون سولفات و کلرید، از خوردگی فولاد رنج می‌برند [۶].

۲-۳-     پیشینه تحقیق

در مورد کارهای عمرانی می‌توان پس از ساخت تعدادی نمونه بتنی پیش‌بینی[۲] کرد که اگر ترکیب خاصی از مصالح را ترکیب کنیم چه مقاومت فشاری خواهیم داشت. به‌عنوان‌مثال ۱۰۰ نمونه بتن را در نظر می‌گیریم و با کمک ابزارهایی مانند شبکه عصبی، شبکه عصبی فازی، بردار پشتیبان و … خروجی A1 را درصورتی‌که از روابط تجربی استفاده کنیم و خروجی A2 را در صورت آموزش شبکه بدون هزینه داشته باشیم، به دست می‌آوریم. در سال‌های اخیر، شبکه‌های عصبی مصنوعی در مدل‌سازی بسیاری از سیستم‌های مهندسی عمران موردتوجه محققین بوده است که می‌توان به مواردی چون پیش‌بینی مقاومت فشاری بتن محصورشده و نشده توسط جانگ و زانگ[۳] [۳]، هولا و ژابویز[۴] [۴]، تانگ[۵] و همکاران [۵]، اورتا و کاواشیما[۶] [۶]، لی[۷] [۷]، نادرپور و همکاران [۸] و پیش بینی حداکثر مقاومت برشی تیر بتن مسلح تقویت‌شده با FRP[8] (توسط پرا[۹] و همکاران [۹]) و همچنین آنالیز ارتعاش آزاد (جدایی و همکاران [۱۰]) اشاره نمود.

بتن الیاف (حاوی رس) که دارای ویژگی‌های تغییر شکل شبیه به بتن الیافی است، برای ساخت دیوار آب‌بند استفاده می‌شود. تفاوت مهم آن با سایر بتن‌ها استفاده از رس است. رس‌ها شامل مواد و کانی‌های ریز اندازه، طبیعی و با منشأ زمین و درواقع شامل فرآورده‌های حاصل از هوادهی، تغییرات حرارتی و رسوبی می‌باشند. ازنظر کانی‌شناسی، رس‌ها در میان ترکیبات معدنی، دارای کوچک‌ترین اندازه هستند. دانشمندان علوم مهندسی و خاک، اندازه ذرات رس را کمتر از ۴ میکرومتر تعریف کرده‌اند، درحالی‌که دانشمندان رس شناس اندازه ۲ میکرومتر را به‌عنوان حد بالایی جهت اندازه رس‌ها قائل هستند. به‌طورکلی رس‌ها را می‌توان به‌عنوان «سیلیکات‌های آلومینیم آبدار» شناخت که در برخی از آن‌ها آهن و منیزیم جایگزین آلومینیم شده است. ترکیب معدنی رس‌ها تابع فراوانی نسبی و نوع کانی‌های رسی موجود در آن است. گاه مقادیر بسیار کمی از یک نوع کانی رسی خاص، اثر بسیار مهمی بر روی ویژگی‌های آن دارد [۱۳]. خواص فیزیکی رس‌ها شامل ریزدانه بودن، جذب آب و تورم، روانگرایی، خاصیت خمیری، انقباض در حالت خشک از ویژگی‌های مهم رس‌ها است، که با توجه به مقدار مصرفی و محل استفاده این ویژگی‌ها می‌تواند در جهت بهبود و تقویت خواص مهندسی استفاده شود و یا خسارت و مشکلات جبران‌ناپذیری را به وجود آورند.

برای خرید و دانلود فایل کلیک کنید

محمد عمادی و همکاران در سال ۱۳۹۶ [۲۹] به مدل‌سازی به‌وسیله هوش مصنوعی که جایگاه ویژه‌ای در علوم فنی و مهندسی پیداکرده است و پیش بینی رفتار موادی که با پیچیدگی‌های فراوانی روبه‌رو بوده و تا حدودی به کمک این روش میسر شده است پرداختند. در این تحقیق، مجموعه‌هایی از طرح‌های اختلاط ساخته‌شده توسط مؤلفین و طرح‌های اختلاط ساخته‌شده در مطالعات دیگر جمع‌آوری گردید. با در نظر گرفتن اجزای طرح اختلاط و سن نمونه‌ها به‌عنوان متغیرهای ورودی، مدل‌های شبکه عصبی مصنوعی، سیستم استنتاج فازی عصبی تطبیقی و ماشین‌های بردار پشتیبان برای پیش بینی مقاومت فشاری ساخته شدند. مقایسه نتایج نشانگر این است که مدل شبکه عصبی مصنوعی توانایی بیشتری نسبت به مدل‌های سیستم استنتاج فازی عصبی تطبیقی و ماشین بردار پشتیبان در پیش بینی مقاومت فشاری بتن غلطکی دارد. همچنین، مقاومت‌های تخمین زده‌شده توسط شبکه عصبی مصنوعی و ماشین بردار پشتیبان به ترتیب بیشترین و کمترین تطابق را با مقاومت فشاری واقعی دارند.

در مقاله مجتبی فتحی و همکاران در سال ۱۳۹۷ [۳۰] اطلاعات به‌کاررفته شامل ۸۰ نمونه است که مقاومت فشاری ۷ و ۲۸ روزه آن‌ها تعیین‌شده است. در بخش شبکه عصبی مصنوعی از یک شبکه پرسپترون چندلایه با الگوریتم‌های متفاوت آموزشی پس انتشار خطا و تعریف یک یا چندلایه مخفی و تعداد ۷ نورون در لایه ورودی و ۱ نورون در لایه خروجی استفاده‌شده است. دو معیار ضریب همبستگی و میانگین مربعات خطا به‌عنوان معیار پایه برای انتخاب شبکه بهینه در نظر گرفته شدند و نهایتاً یک مدل برای پیش‌بینی مقاومت فشاری ۷ و ۲۸ روزه بتن ارائه شد. نتایج نشان داد که شبکه عصبی با الگوریتم لونبرگ مارکوارت، بهترین دقت و تحلیل رگرسیون و کمترین دقت را برای تعیین مقاومت فشاری بتن دارند.

در تحقیق علی‌اکبر رمضان پور و همکاران در سال ۱۳۹۵ [۳۱] شبکه‌های عصبی مصنوعی الهام گرفته از شبکه‌های عصبی بیولوژیکی می‌باشد، که عموماً از واحدهای سلولی عصبی تشکیل‌شده و از طریق ارتباطی به نام اکسون با یکدیگر در ارتباط می‌باشند. به بیان ساده، از مدل‌های شبکه عصبی می‌توان به‌عنوان یک رگرسیون کاملاً غیرخطی و پیچیده یادکرد که بر اساس داده‌های ورودی و هدف آموزش‌دیده، قادر به‌پیش بینی شرایط بر اساس ورودی‌های جدید می‌باشد. در این مقاله با در نظرگیری پارامترهای طرح اختلاط بتن به‌عنوان ورودی، از مدل‌سازی شبکه عصبی برای پیش بینی مقاومت فشاری بتن استفاده‌شده است. طرح‌های اختلاط مختلفی جهت بررسی عملکرد مدل‌های مورداستفاده، به کار گرفته شد و مشخص گردید که مدل‌های شبکه عصبی عملکرد بسیار مناسبی در پیش بینی مقاومت فشاری بتن دارند.

در مقاله مهران شیرانی و همکاران در سال ۱۳۹۶ [۳۲] یکی از ابزارهای بسیار مفید برای رسیدن به این هدف، شبکه عصبی مصنوعی است، که برگرفته از مفهوم شبکه‌های عصبی بیولوژیکی است. مدل شبکه عصبی درواقع یک مدل رگرسیون غیرخطی پیچیده است که با استفاده از آن، با صرف کمترین هزینه آزمایشگاهی، امکان پیش بینی رفتار بتن میسر می‌گردد. در این مقاله با کمک مدل‌سازی شبکه عصبی با استفاده از پارامترهای مذکور برای ساخت مدل از ۹۱ داده آزمایشگاهی، کارایی شبکه عصبی در پیش بینی مقاومت فشاری بتن به معرض نمایش درآمده و نتایج نهایی نمایانگر تطابق موردقبول با مقادیر واقعی مقاومت فشاری بتن هستند.

در مطالعه جعفر سبحانی و همکاران در سال ۱۳۹۵ [۳۳]، نوع جدیدی از شبکه‌های عصبی مصنوعی، به نام شبکه‌ی عصبیِ بازگشتی المان [۱۰]معرفی‌شده و مقاومت نمونه‌های بتنی با استفاده از این شبکه‌ها پیش‌بینی‌شده است. همچنین در این مقاله، نتایج شبیه‌سازی با شبکه‌ی عصبی المان، با شبکه‌ی عصبی استاندارد پس انتشار خط[۱۱] مقایسه شده است. نتایج پیش‌بینی نشان داد که شبکه‌ی عصبی المانِ دولایه با تعداد نرون به ترتیب ۵ و ۳ نرون در لایه اول و دوم، بهترین قابلیت را برای تعمیم نتایج (یعنی قابلیت پیش‌بینی نمونه‌های آموزش ندیده) داشته و شبکه‌ی عصبی دولایه پس انتشار استاندارد با تعداد نرون‌های به ترتیب ۸ و ۵ نرون در لایه اول و دوم، مناسب‌ترین شبکه برای تخمین مقاومت فشاری نمونه‌های بتنی (پیش‌بینی مقاومت نمونه‌های آموزش‌دیده) می‌باشد.

جواد شریفی و همکاران در سال ۱۳۹۸ [۳۴] مختصری از مطالعات قبلی در مورد بتن الیافی شرح داده را موردمطالعه قراردادند. بتن و ساختمان‌های بتنی ازجمله سیستم‌های ساختمانی می‌باشند که در ایران به‌وفور مورداستفاده قرارمی گیرند. این دسته از ساختمان‌ها در اثر ضعف سازه، مرور زمان و همچنین اشکالات اجرایی نیاز مبرمی به بهسازی و مقاوم‌سازی پیدا می‌کنند. روش‌های مختلفی برای بهسازی و مقاوم‌سازی این دسته از ساختمان‌ها موجود است و یکی از این روش‌ها استفاده از الیاف FRP می‌باشد.

از ویژگی‌های اصلی کامپوزیت‌های پلیمری می‌توان مقاومت مناسب در برابر خوردگی، سادگی اجرا در محل نصب و سبکی آن‌ها را برشمرد. مصالح FRP یا پلیمر تقویت‌شده با فیبر درترمیم، تقویت و مقاوم‌سازی سازه‌های بتنی و فلزی و نیز صنعت کامپوزیت کاربرد دارند و از دو جزء اساسی فایبر (الیاف) و ماتریس (رزین) تشکیل‌شده است [۳۵].

یکسری مطالعات درزمینه ی پیش‌بینی مقاومت فشاری بتن ۲۸ روزه به کمک شبکه عصبی انجام داده و طرح اختلاط مربوط به داده‌های مذکور را در فایل اکسل وارد کردیم. INPUT درصد ترکیبات تشکیل‌دهنده بتن می‌باشد و سپس شبکه عصبی آموزش داده می‌شود و درنهایت OUTPUT مقاومت فشاری بتن خواهد بود. شبکه عصبی روشی عملی برای یادگیری توابع گوناگون نظیر توابع با مقادیر گسسته و توابع با مقادیر برداری می‌باشد. جمع‌آوری و آنالیز مناسب داده‌ها، طرح، آموزش و تست شبکه عصبی از نیازمندی‌های شبکه عصبی می‌باشد.

۳-    فصل سوم

ساختار پلیمر مسلح شده با فیبر

۳-۱-    مقدمه

تکنیک‌هایی چند، جهت جلوگیری از خوردگی و فرسایش خاک الحاقی به ستون بتن‌آرمه و نیز خشت گلی توسعه داده‌شده و مورداستفاده قرارگرفته است که از بین آن‌ها می‌توان به پوشش اپوکسی بر قطعات، تزریق پلیمر به سطوح خشتی و حفاظت کاتدیک خاک سنگین اشاره نمود. بااین‌وجود هر یک از این تکنیک‌ها فقط تا حدودی موفق بوده است.

مواد کامپوزیتی FRP[12] موادی بسیار مقاوم در مقابل محیط‌های خورنده همچون محیط‌های نمکی و قلیایی هستند. به همین دلیل امروزه کامپوزیت‌های FRP، موضوع تحقیقات توسعه‌ای وسیعی به‌عنوان جانشین قطعات و میلگردهای فولادی و کابل‌های پیش‌تنیدگی شده‌اند. چنین تحقیقاتی در مجاورت آب و بالأخص در محیط‌های دریایی و ساحلی، به‌شدت موردتوجه قرارگرفته‌اند [۳۶].

۳-۲-    ساختار مصالح FRP

برای خرید و دانلود فایل کلیک کنید

۳-۲-۱-     انبساط حرارتی

خصوصیات انبساط حرارتی این مواد و مواد خشتی بسیار به هم نزدیک هستند؛ ضریب انبساط حرارتی این دو ماده به ترتیب:  و می‌باشد. ضریب انبساط حرارتی میله‌های FRP اغلب از خشت متفاوت است. به‌طور خلاصه ضریب انبساط حرارتی مصالح FRP با الیاف کربن و شیشه به ترتیب برابر با  و  می‌باشد. بدترین حالت مربوط به آرامید است که ضریب انبساط حرارتی آن منفی بوده و برابر با می‌باشد [۴۰].

۳-۲-۲-     دوام کامپوزیت‌های FRP

کامپوزیت‌های FRP شاخه ی جدیدی از مصالح محسوب می‌شوند؛ که دوام آن‌ها دلیل اصلی و اولیه برای کاربرد آن‌ها در محدوده ی وسیعی از عناصر ستون بتن‌آرمه شده است. به همین جهت است که از آن‌ها نه‌تنها در صنعت ساختمان، بلکه در فضاپیما، بال هواپیما، درهای اتومبیل، مخازن محتوی گاز مایع، نردبان و حتی راکت تنیس نیز استفاده می‌شود. بنابراین ازنقطه‌نظر مهندسی نه‌تنها مسالة مقاومت و سختی، بلکه مسالة دوام آنها تحت شرایط مورد انتظار، کاملاً مهم جلوه می‌کند [۳۶].

مکانیزم‌هایی که دوام کامپوزیت‌ها را کنترل می‌کنند، عبارتند از:

الف- تغییرات شیمیایی یا فیزیکی ماتریس پلیمر

ب- از دست رفتن چسبندگی بین فایبر و ماتریس

ج- کاهش در مقاومت و سختی فایبر

محیط نقش کاملاً تعیین کننده‌ای در تغییر خواص پلیمرهای ماتریس کامپوزیت دارد. ماتریس و فایبر ممکن است با رطوبت، درجه حرارت، نور خورشید و تشعشعات ماوراء بنفش (UV)، ازن و نیز حضور بعضی از مواد شیمیایی تجزیه کننده نظیر نمک‌ها و قلیایی‌ها تحت ثأثیر قرار گیرند. همچنین تغییرات تکراری دما ممکن است به صورت سیکل‌های یخ‌زدن و ذوب شدن، تغییراتی را در ماتریس و فایبر به وجود آورد. از طرفی تحت شرایط بارگذاری مکانیکی، بارهای تکراری ممکن است باعث خستگی شوند. همچنین بارهای وارده در طول زمان مشخص به صورت ثابت، ممکن است مسالة خزش را به دنبال داشته باشند. مجموعه‌ای از تمام مسائل مطرح شده در بالا، دوام کامپوزیت‌های FRP را تحت تأثیر قرار می‌دهند.

۳-۲-۳-     پیر شدگی فیزیکی ماتریس پلیمر

نقش ماتریس پلیمر و تغییرات آن یکی از جنبه‌های مهمی است که در مسالة دوام کامپوزیت‌ها باید در نظر گرفته شود. نقش اولیة ماتریس در کامپوزیت، انتقال تنش بین فایبرها، محافظت از سطح فایبر در مقابل ساییدگی مکانیکی و ایجاد مانعی در مقابل محیط نامناسب است. همچنین ماتریس نقش به سزایی در انتقال تنش برشی در صفحة کامپوزیت ایفا می‌کند. بنابراین چنانچه ماتریس پلیمر خواص خود را با زمان تغییر دهد، باید تحت توجه خاص قرار گیرد. برای کلیة پلیمرها کاملاً طبیعی است که تغییر فوق‌العاده آهسته‌ای در ساختار شیمیایی (مولکولی) خود داشته باشند. این تغییر با محیط و عمدتاً با درجه حرارت و رطوبت کنترل می‌شود. این پروسه تحت نام پیرشدگی (Aging) نامیده می‌شود. تأثیرات پیرشدگی در اکثر کامپوزیت‌های ترموست متداول، در مقایسه با کامپوزیت‌های ترموپلاستیک، خفیف‌تر است. در اثر پیرشدگی فیزیکی، بعضی از پلیمرها ممکن است سخت‌تر و تردتر شوند؛ نتیجة این مساله تأثیر بر خواص غالب ماتریس و ازجمله رفتار برشی کامپوزیت خواهد بود. با این وجود در اکثر موارد این تأثیرات بحرانی نیست؛ زیرا نهایتاً روند انتقال بار اصلی از طریق فایبرها رخ داده و تأثیرات پیرشدگی بر فایبرها فوق‌العاده جزئی است [۴۱].

۳-۲-۴-     تأثیر رطوبت

بسیاری از کامپوزیت‌های با ماتریس پلیمری در مجاورت هوا و یا محیط‌های مرطوب، با جذب سطحی سریع رطوبت و پخش آن، رطوبت را به خود می‌گیرند. معمولاً درصد رطوبت ابتدا با گذشت زمان افزایش یافته و نهایتاً پس از چندین روز تماس با محیط مرطوب، به نقطة اشباع (تعادل) می‌رسد. زمانی که طول می‌کشد تا کامپوزیت به نقطة اشباع برسد به ضخامت کامپوزیت و میزان رطوبت محیط بستگی دارد. خشک کردن کامپوزیت می‌تواند این روند را معکوس کند، اما ممکن است منجر به حصول کامل خواص اولیه نگردد. جذب آب به وسیلة کامپوزیت از قانون عمومی انتشار فیک[۱۳] تبعیت کرده و با جذر زمان متناسب است. از طرفی سرعت دقیق جذب رطوبت به عواملی همچون میزان خلل و فرج، نوع فیبر، نوع رزین، جهت و ساختار فیبر، درجه حرارت، سطح تنش وارده و حضور ریزترک ها بستگی دارد. در ادامه تأثیر رطوبت را به صورت مجزا بر اجزاء کامپوزیت مورد بحث قرار می‌دهیم [۳۶]:

۳-۲-۴-۱-      تأثیر رطوبت بر ماتریس پلیمری

جذب آب توسط رزین ممکن است در مواردی بعضی از خصوصیات رزین را تغییر دهد. چنین تغییراتی عمدتاً در دمای بالای ۱۲۰ درجه ممکن است اتفاق بیفتد و در اثر آن سختی کامپوزیت به شدت کاهش یابد؛ اگر چه چنین وضعیتی عمدتاً در مصارف کامپوزیت‌ها در مهندسی عمران و به خصوص در ستون بتن آرمه در مجاورت آب، کمتر پیش می‌آید و مورد توجه نیست. از طرفی جذب رطوبت یک تأثیر سودمند نیز بر کامپوزیت دارد؛ جذب رطوبت باعث تورم رزین شده که این مساله به نوبة خود تنش‌های پس‌ماند بین ماتریس و فایبر را که در اثر انقباض ضمن عمل‌آوری کامپوزیت ایجاد شده، کاهش می‌دهد. این مساله باعث آزاد شدن تنش‌های بین ماتریس و فایبر شده و ظرفیت باربری را افزایش می‌دهد. از طرفی گزارش شده است که در کامپوزیت‌هایی که به صورت نامناسب ساخته شده‌اند، در اثر وجود حفره‌ها در سطح بین فایبر و ماتریس و یا در لایه‌های کامپوزیت، نفوذ آب در داخل حفره‌ها و یا در سطح مشترک فایبر و ماتریس ممکن است به سیلان رزین منجر شود. این مسأله را می‌توان با انتخاب مناسب مواد رزین و یا آماده‌سازی مناسب سطح فایبرها و نیز بهبود تکنیک‌های ساخت، حذف نمود [۳۶].

برای خرید و دانلود فایل کلیک کنید

۴-    فصل چهارم

روش تحقیق

۴-۱-    مقدمه

در فصل گذشته به بررسی پیشینه تحقیقات انجام‌گرفته در زمینه مقاومت بتن پرداخته شد. اما با توجه به هدف و نوآوری پیش رو در این تحقیق، لازم است در ابتدا در خصوص معادلات حاکم و روش‌های حل این معادلات بحث بیشتری شود. در این فصل معادلات حاکم و روش حل الگوریتم شبکه عصبی و نرم‌افزارهای مورداستفاده در این پژوهش بررسی خواهد شد.

۴-۲-    روش‌شناسی تحقیق

در سرتاسر برنامه تحقیقاتی استانداردهای ASTM استفاده خواهند شد و در مواردی که تست‌های استانداردی وجود ندارد رفرنس آن مشخص شده که در بخش‌های زیر روش کار برای همه تست‌های آزمونی توضیح داده خواهد شد.

۴-۳-    اختلاط بتن

در جدول ۴-۱ نسبت اختلاط‌های در نظر گرفته‌شده در این مطالعه آورده شده است:

جدول ۴-۱ مقادیر استفاده شده از سنگدانه در ساخت بتن ۱

Water Silit  سنگ‌دانه Cement w/c + clayw/c + cl + sشناسه ⃰
۳۲۵٫۶۵۲۲۵۱۶۰۰۲۰۰۶۳/۱۷۷/۰T-0
۳۵۶٫۷۹۲۲۵۱۶۰۰۲۰۰۷۸/۱۸۴/۰B-20
۳۹۵٫۷۸۲۲۵۱۶۰۰۲۰۰۹۸/۱۹۳/۰B-40
۴۱۳٫۱۷۲۲۵۱۶۰۰۲۰۰۰۷/۲۹۷/۰B-60
367/61225160020084/186/0S-20
۴۳۳٫۵۲۲۵۱۶۰۰۲۰۰۱۶/۲۰۲/۱S-40
93/52022516002002.623/1S-60
  *شناسه از راست به چپ به ترتیب نشان‌دهنده نوع ریزدانه و درصد ریزدانه- T: حالت بدون ریزدانه و رس، B: بنتونیت، S: سپولایت جدول ۴-۲ مقادیر استفاده شده از سنگدانه در ساخت بتن ۲
Water Silit  سنگ‌دانه Cement w/c + clayw/c + cl + sشناسه ⃰
۳۲۸٫۶۶۲۰۰۱۶۰۰۲۸۰۱٫۱۷۰٫۶۸T-0
۳۶۱٫۶۳۲۰۰۱۶۰۰۲۸۰۱٫۲۹۰٫۷۵B-20
۴۱۰٫۷۸۲۰۰۱۶۰۰۲۸۰۱٫۴۷۰٫۸۶B-40
۴۸۱٫۴۷۲۰۰۱۶۰۰۲۸۰۱٫۷۲۱B-60
۴۱۵٫۵۲۲۰۰۱۶۰۰۲۸۰۱٫۴۸۰٫۸۷S-20
۵۰۲٫۳۷۲۰۰۱۶۰۰۲۸۰۱٫۷۹۱٫۰۵S-40
۵۷۳٫۰۶۲۰۰۱۶۰۰۲۰۰۲٫۰۵۱٫۱۹S-60

۴-۳-۱-     ساخت بتن‌های الیاف

نمونه‌های مکعبی ۱۰×۱۰×۱۰ برای مقاومت فشاری.

نمونه‌های استوانه‌ای ۲۰ ×۱۰×۱۰ برای مقاومت فشاری ۲۸ و ۹۰ روزه و مقاومت کششی بتن.

۴-۴-    معرفی نرم‌افزار MATLAB

MATLAB یک برنامه نرم‌افزاری قوی است که در سال ۱۹۷۰ جهت حل مسائل ماتریس‌ها، جبر خطی و آنالیزهای عددی به وجود آمد. این نرم افزار، یک نرم افزار پیشرفته با پشتیبانی وسیع از طرف شرکت تولیدکننده آن (Math Works) و یک ابزار قوی ریاضیاتی و مهندسی است که امروزه در بین اساتید، دانشمندان و دانشجویان علوم مختلف به طور گسترده ای استفاده می شود [۴۲]. از این نرم افزار عمدتاً برای انجام محاسبات عددی، رسم گرافیکی توابع، برنامه نویسی در جهت اهداف علمی، شبیه سازی و مدل سازی سیستم های مختلف مورد استفاده قرار می گیرد. کلمه MATLAB مخفف دو کلمه Matrix Labroatory است. علت استفاده این نام برای این نرم افزار این است که تمامی داده ها به طور ماتریسی ذخیره و پردازش می شوند. نرم افزار MATLAB در اواخر دهه ۱۹۷۰ توسط Cleve Moler، رییس بخش علوم کامپیوتر دانشگاه New Mexico برای دسترسی دانشجویان به نرم افزار (LINPACK (Linear System Package و EISPACK (Eigen System Package) تولید شد. هدف از تولید آن دسترسی آسان دانشجویان به نرم افزارهای مذکور بدون نیاز به آموختن زبان برنامه نویسی Fortran بود. نرم افزار تولیدی توسط Moler به تدریج در دانشگاه های مختلف و در بین اساتید، دانشمندان و دانشجویان علوم ریاضیات کاربردی، طرفداران بسیاری پیدا کرد. در سال ۱۹۸۳ آشنایی Moler با Jack Little در دانشگاه استانفورد، عامل توسعه و بازنویسی این نرم افزار با زبان برنامه نویسی C شد. در ابتدای تولید این نرم افزار، اغلب توسط دانشجویان و مهندسان کنترل مورد استفاده قرار می گرفت. علت اصلی این امر را می توان سازگاری این نرم افزار با رشته مذکور دانست. زیرا Jack Little خود مهندس کنترل بود [۴۲].

امروزه نرم افزار MATLAB، یکی از زبان های سطح بالا، با تمرکز بر روی تکنیک های محاسباتی به شمار می آید. این نرم افزار برای انجام عملیات ریاضی از محیط های ویژال و تکنیک های برنامه نویسی آسان بهره می برد. این امر یکی از مزیت های اصلی نرم افزار MATLAB به شمار می آید. در این نرم افزار همواره سعی شده است که راه حل های انتخابی برای مسائل مختلف مبتنی بر مراجع و کتب علمی و دانشگاهی باشد.

یکی از کاربردهای این نرم افزار در مهندسی عمران بهینه سازی است. این بهینه سازی شامل روش های زیر می باشد:

الف-حل گرافیکی: مسائل بهینه سازی با دو متغیر را می توان با ابزار گرافیکی MATLAB حل نمود.

ب-برنامه نویسی خطی: برنامه نویسی خطی یا LP روشی است که می توان مسائلی را که تابع هدف و قیود به صورت خطی باشند حل نمود.

برای خرید و دانلود فایل کلیک کنید Image result for ‫شبکه عصبی مصنوعی‬‎

۴-۴-۱-     انتخاب آزمون و روش آماری مناسب

مینی‌تب نرم‌افزاری توانمند می‌باشد که در زمینه‌های زیادی می‌توان از آن استفاده نمود. با توجه به هدف این پژوهش که ارائه معادله‌ای برای ضریب پخش می‌باشد و با توجه به این‌که رابطه بین پارامترهای موجود برای پیشنهاد رابطه مفهومی یک رابطه خطی است، بنابراین از آنالیز رگرسیون خطی [۱۴] در مینی‌تب استفاده‌شده است. برای انجام این تحلیل و ارائه رابطه، ضرایب پخش طولی و عرضی به‌عنوان متغیر وابسته و سرعت برشی، سرعت متوسط، عمق و عرض به‌عنوان متغیرهای مستقل در نرم‌افزار لحاظ شدند. نحوه دسترسی به نوارابزار آنالیز رگرسیون خطی در شکل ۴-۸ آمده است.

برای خرید و دانلود فایل کلیک کنید

 
 شکل ‏۵-۱ تغییرات ضریب همبستگی نسبت به نرخ یادگیری برای خرید و دانلود فایل کلیک کنید  
شکل ‏۵-۱۱ ضریب همبستگی برای داده‌ها تست    
شکل ‏۵-۱۲ ضریب همبستگی برای اعتبارسنجی 

۴-۵-    طراحی شبکه عصبی فازی

پس از بهینه سازی و ایجاد شبکه عصبی پایه شعاعی نوبت به طراحی شبکه فازی می رسد تا بتوانیم عملکرد این دو شبکه را با هم مقایسه نماییم. برای این امر وارد محیط فازی متلب شده و نوع فازی ساگینو را انتخاب و در نهایت از این محیط انفیس را انتخاب می کنیم. با توجه به مسئله که ۸ متغیر تأثیرگذار دارد، در ورودی ۸ متغیر مشخص و خروجی هم که یک متغیر برای مقاومت را انتخاب می کنیم که در شکل ۵-۱۳ مشخص شده است.

شکل ‏۵-۱۳ تعیین متغییر های ورودی و خروجی در متلب

بعد از تعیین این متغیرها نوبت به اجرا فایل و انفیس می شود که مطابق شکل ۵-۱۴، ۵۰ تکرار برای همگرایی در نظر گرفته شده و منتظر می مانیم تا آموزش لازم در محیط انفیس انجام گیرد. برای خرید و دانلود فایل کلیک کنید

واقعی نشان‌دهنده وجود رابطه غیرخطی بین میزان مقاومت بتن و متغیرهای مستقل می‌باشد.

همان‌گونه که از شکل ۵-۱۹ مشخص است، نتایج مدل شبکه عصبی از مدل رابطه خیلی نزدیک‌تر به نتایج واقعی است و میزان همبستگی به نتایج واقعی در شبکه عصبی بین ۵ تا ۱۲ درصد بیشتر از مدل فازی بوده است. در نسبت‌های مختلف و مقطع‌های مختلف بتن، شبکه عصبی بهتر عمل کرده و در بعضی مقطع‌ها خصوصاً مقطع ۳ نتایج فازی دچار نوسانات شده است، ولی شبکه عصبی این نوسانات را نداشته و تطبیق بیشتری با نتایج واقعی دارد. همبستگی نتایج حاصل از مدل‌سازی شبکه عصبی و مقادیر واقعی نشان‌دهنده وجود رابطه غیرخطی مقاومت بتن و متغیرهای مستقل می‌باشد و ۱۴۴ دیتا مقاومت بتن برای ضریب مقاومتی بتن استفاده‌شده، که این ۱۴۴ دیتا از خروجی شبکه عصبی گرفته‌شده است و با مقدار واقعی آن مقایسه شده که مشخص می‌شود شبکه عصبی به‌خوبی عمل کرده و توانسته همپوشانی خوبی داشته باشد. شایان‌ذکر است که در مکان های که درصد آب زیاد شده و مقاومت افزایش چشم گیری داشته، شبکه عصبی با خطا کمی ضرایب را بدست آورده است که در این حال مدل های عددی در تعیین ضرایب مقاومتی در این شرایط با آن دقت عمل نمی کند که این نکته در شکل ۵-۱۹ قسمت سه کاملا مشخص است که مدل های عددی نمی توانند با آن دقت شرایط میزان مقاومت بتن را مشخص کنند.

شکل ‏۵‑۱۹ مقایسه نتایج حاصل از معادله پیشنهادی و سه روش دیگر

برای خرید و دانلود فایل کلیک کنید

برچسبها
جعبه دانلود
مطالب مرتبط

دیدگاهی بنویسید.

بهتر است دیدگاه شما در ارتباط با همین مطلب باشد.

0