Yapay Zeka Hızlı Bakış & Çıkarımlar
AI InsightSonuç olarak, yapay sinir ağlarının 0,79 çoklu belirleyicilik katsayısı (R2) ile regresyon tekniğine göre daha başarılı tahmin sonuçları verdiği, regresyon tekniğinin beton basınç dayanımlarını yapay sinir ağları modeline göre %15 daha fazla hata ile tahmin edebildiği belirlenmiştir.
📌 3 Maddede Bu Makale
Özet
Bu çalışmada, kırmataş kalker agregalı betonların basınç dayanımlarının belirlenmesi amacıyla çoklu doğrusal regresyon tekniği(RT) ve yapay sinir ağları(YSA) yöntemiyle iki farklı tahmin modeli geliştirilmiştir. Modellerde kırmataş kalker agregalı betonlardan elde edilen deneysel veriler kullanılmıştır. Çoklu lineer regresyon ve YSA metotları ile çimento miktarı (kg/m3), su miktarı ve taze beton çökme miktarlarına (cm) bağlı olarak beton basınç dayanımına ait tahmin modelleri geliştirilmiştir. Geliştirilen modeller ile tahmin edilen basınç dayanımı değerleri ve gerçek basınç dayanımları karşılaştırılarak modellerin güvenilirliği test edilmiştir. Sonuç olarak, yapay sinir ağlarının 0,79 çoklu belirleyicilik katsayısı (R2) ile regresyon tekniğine göre daha başarılı tahmin sonuçları verdiği, regresyon tekniğinin beton basınç dayanımlarını yapay sinir ağları modeline göre %15 daha fazla hata ile tahmin edebildiği belirlenmiştir.
Abstract
In this work two different prediction models have been developed to determine crushed limestone aggregate concrete compressive strength using regression technique (RT) and Artificial Neural Network (ANN) method. Experimental data which obtained from crushed limestone aggregate concretes used for developing both ANN and RT models. While developing the models to predict of compressive strength of concretes cement(kg), water(lt) and fresh concrete slump values (cm)were used. Predicted concrete compressive strengths using developed models compared with the experimental compressive strengths so the reliability of models tested. As a result, artificial neural networks exhibited high correlation coefficient that was 0,79 than regression technique and regression technique predicted the experimental results more mistaken than artificial neural networks in the rate of % 15.