پیش بینی مقاومت فشاری بتن بازیافتی مبتنی بر یادگیری عمقی
چکیده
با در نظر داشتن دشواری های فعلی برای پیش بینی مقاومت فشاری بتن های سنگدانه ای بازیافت شده، این مقاله یک مدل پیش بینی را مبتنی بر نظریه ی یادگیری عمقی ارائه می دهد. نخست، ویژگی های عمقی نسبت آب به سیمان، نسبت جایگذاری سنگدانه های درشت بازیافت شده، نسبت جایگذاری سنگدانه های ریز بازیافت شده ، نسبت جایگذاری خاکستر بادی و ترکیب های آن ها از طریق شبکه های عصبی پیچشی ( کانولوشنی) مشخص می شود. سپس یک مدل پیش بینی با استفاده از رگرسیون سافتمکس ایجاد می شود. 74 مجموعه از بلوک های بتنی با نسبت ترکیب های مختلف در این آزمایش مورد استفاده قرار گرفته است و نتایج نشان می دهد که مدل پیش بینی مبتنی بر یادگیری عمقی ، دقت، کارایی و قابلیت تعمیم بالاتری در مقایسه با روش های متداول مدل های عصبی ایجاد می کند و می توان از آن به عنوان یک روش جدید برای محاسبه ی مقاومت بتن های بازیافت شده، استفاده کرد.
1. مقدمه
همراه با رشد سریع و توسعه ی اقتصادی شهری، تولید ضایعات ساخت و ساز و تخریب (C&D) به صورت محسوس در بسیاری از قسمت های دنیا افزایش یافته است. در عین حال، مقادیر زیاد سنگدانه های طبیعی هر ساله برای ساخت و ساز از طبیعت استخراج می شود [1]. استفاده از سنگدانه های بازیافت شده (RA ها) برای تولید بتن می تواند تا حد زیادی منابع غیر تجدید پذیر ما را حفظ کند، مانع استفاده ی غیر ضروری از منابع محدود شده و میزان مصرف انرژی را هم کاهش دهد. به دلیل فواید این روش در زمینه ی پیش گیری از کاهش سنگدانه های طبیعی و تخریب زیست بوم ها که در اثر ضایعات بتنی شکل می گیرد، بتن سنگدانه ای بازیافت شده (RAC) یکی از مهم ترین راه حل ها برای توسعه ی بتن هایی با سازگاری زیست محیطی، در نظر گرفته می شود [2].
Abstract
Considering on the current difficulties of predicting the compressive strength of recycled aggregate concrete, this paper proposes a prediction model based on deep learning theory. First, the deep features of water-cement ratio, recycled coarse aggregate replacement ratio, recycled fine aggregate replacement ratio, fly ash replacement ratio as well as their combinations are learned through a convolutional neural networks. Then, the prediction model is developed using the softmax regression. 74 sets of concrete block masonry with different mix ratios are used in the experiments and the results show that the prediction model based on deep learning exhibits the advantages including higher precision, higher efficiency and higher generalization ability compared with the traditional neural network model, and could be considered as a new method for calculating the strength of recycled concrete.
1. Introduction
Along with the rapid urban development and economic activities, the generation of construction and demolition (C&D) waste has increased substantially in many parts of the world. At the same time, large quantities of natural aggregates are extracted for construction every year [1]. The utilization of recycled aggregates (RAs) in concrete production can potentially conserve the nonrenewable natural resource of natural aggregates, eliminate unnecessary consumption of limited landfill areas and reduce energy consumption. Due to its benefits on preventing the shortage of natural aggregate and the deterioration of ecological environment caused by concrete waste, Recycled Aggregate Concrete (RAC) technology is considered as one of the main candidates for ecological concrete development [2].
چکیده
1. مقدمه
2. شبکه های عصبی مصنوعی و نظریه یادگیری عمقی
2.1 نورون های مصنوعی و شبکه عصبی مصنوعی
2.2 شبکه های عصبی چند لایه ای
3. مواد
3.1 مواد سیمانی
3.2 سنگدانه ها
3.3 طراحی ترکیب بتن و مقاومت فشاری
4. مدل پیش بینی مقاومت بتن بازیافتی مبتنی بر یادگیری عمقی
4.1 ایجاد مدل پیش بینی شبکه عصبی پیچشی
4.2 تمرین مدل پیش بینی
4.3 نتایج و تحلیل پیش بینی ها
5-جمع بندی
Abstract
1. Introduction
2. Artificial neural networks and deep learning theory
2.1. Artificial neuron and artificial neural network
2.2. Multi-layer neural networks
3. Materials
3.1. Cementitious materials
3.2. Aggregate
3.3. Concrete mixing design and compressive strength
4. Prediction model of recycled concrete strength based on deep learning
4.1. Convolution neural network prediction model establishment
4.2. Predictive model training
4.3. Prediction results and analysis
5. Conclusion
- ترجمه فارسی مقاله با فرمت ورد (word) با قابلیت ویرایش، بدون آرم سایت ای ترجمه
- ترجمه فارسی مقاله با فرمت pdf، بدون آرم سایت ای ترجمه