چکیده
در این مقاله مزیت ترکیب دو تکنیک هوش محاسباتی الهام گرفته از طبیعت یعنی شبکه های عصبی مصنوعی(ANN) و الگوریتم های ژنتیکی(GA) برای مدلسازی نشست بتن آماده(RMC) مورد بررسی قرار میگیرد، اجزاء سازنده بتن آماده عبارتند از: سیمان، خاکستر بادی، ماسه، مصالح درشت دانه، افزونه و نسبت چسب مایه/ آب. در متدلوژی از توانایی تقریب تابع عمومی شبکه عصبی مصنوعی برای درک رابطه دقیق بین متغیرهای ورودی و خروجی، توانایی جستجوی تصادفی الگوریتم های ژنتیکی برای شکلگیری اوزان، ارزشها و تورشهای بهینه اولیه شبکه عصبی مصنوعی ، حداقلسازی احتمال درگیر شدن شبکه عصبی با کمینه های موضعی و همگرایی آرام به بهینه سازی مطلق استفاده میشود. عملکرد مدل هیبریدی( الگوریتم های ژنتیکی و شبکه عصبی مصنوعی) به وسیله 6 پارامترآماری مختلف با شبکه عصبی انتشار معکوس(BPNN) مقایسه میشود. مطالعات انجام شده نشان میدهند که با استفاده از ترکیب شبکه عصبی مصنوعی و الگوریتمهای ژنتیکی، همگرایی سرعت شبکه عصبی مصنوعی و دقت پیش بینی آن افزایش مییابد. یادگیری مدل هیبریدی برای پیش بینی نشست بتن در هنگام تعیین نسبتهای اختلاط بتن بدون انجام تستهای متعدد بر روی تناسبهای مختلف مخلوط بتن سودمند است.
1-مقدمه
به طور عمده از روابط ریاضی برای توصیف رفتار مواد بتن استفاده میشود که به شکل فرمولهای تجربی در دسترس هستند و از نتایج مربوط به تحقیقات به دست میآیند. اگرچه این روابط تجربی به شکل معادلات رگرسیون و برای به دست آوردن ویژگیهای خاص بتن مورد استفاده قرار میگیرند ولی با این حال محققان به سختی آنها را برای مدلسازی مسائلی به کار میبرند که حاوی متغیرهای مستقل هستند زیرا تعاملات مربوط به متغیرهای مزبور ناشناخته و پیچیده میباشند. در چنین مواردی تکنیک سنتی رگرسیون برای ایجاد دقت مورد انتظار و قابلیت پیش بینی با شکست مواجه میشود. در طول چند دهه گذشته محققان از ابزار محاسباتی الهام گرفته شده از طبیعت یعنی شبکه عصبی مصنوعی(ANN) برای مدلسازی مسائل در جهان واقعی به دلیل توانایی آن در کنترل روابط متقابل بین داده های ورودی و خروجی ناشناخته، غیرخطی و بسیار پیچیده استفاده میکردند....
میتوانید از لینک ابتدای صفحه، مقاله انگلیسی را رایگان دانلود فرموده و چکیده انگلیسی و سایر بخش های مقاله را مشاهده فرمایید.