KaydedilenlerDerginizi ekleyin

Dergiler / Celal Bayar Üniversitesi Fen Bilimleri Dergisi / 2022 / Cilt: 18 Sayı: 4

ESTIMATING THE COMPRESSIVE STRENGTH OF FLY ASH ADDED CONCRETE USING ARTIFICIAL NEURAL NETWORKS

Zafer Kurt(RECEP TAYYİP ERDOĞAN ÜNİVERSİTESİ)0000-0002-4948-6318
Talip Çakmak(RECEP TAYYİP ERDOĞAN ÜNİVERSİTESİ)0000-0003-0266-6132
Ali Gürbüz(Recep Tayyip Erdoğan Üniversitesi)0000-0003-1123-9968
İlker Ustabaş(RECEP TAYYİP ERDOĞAN ÜNİVERSİTESİ)0000-0003-0473-2543
Sayfa
365–369
Yayın Tarihi
2022-12-26
🏛️Bu makalenin bibliyografik verileri ve tam metin bağlantısı DergiPark üzerinden sağlanmıştır.
DergiPark Kaydı ↗
✨

Yapay Zeka Hızlı Bakış & Çıkarımlar

AI Insight
⚡ TL;DR(1 Cümlede Hızlı Çıkarım)

As a result of the study, it has been observed that the predictions made using artificial neural networks are very close to the strength values obtained from the experiments.I

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:The aim of this study is to develop an artificial intelligence that predicts the compressive strength of fly ash substituted concretes using material mixing ratios.
📊
Temel Bulgular & Veri:Within the scope of the study, 5 different fly ash mixed concrete samples were produced.
💡
Sonuç & Katkı:As a result of the study, it has been observed that the predictions made using artificial neural networks are very close to the strength values obtained from the experiments.I
🔬Tür:Araştırma Makalesi
📍Kapsam:Genişletilmiş Akademik Örneklem
⚙️Değişkenler:Artificial Intelligence · artificial neural networks · fly ash substituted concretes

Abstract

The aim of this study is to develop an artificial intelligence that predicts the compressive strength of fly ash substituted concretes using material mixing ratios. Within the scope of the study, 5 different fly ash mixed concrete samples were produced. The strength values were estimated using artificial neural networks before the produced samples were subjected to the pressure test. In order to develop the artificial neural network, it is introduced as a dataset of 3000 different mixing ratios consisting of experimental results in the existing literature. In order to estimate the compressive strength, varying ratios of 8 different materials such as water, cement, fly ash entering the mixture are analyzed. As a result of the study, it has been observed that the predictions made using artificial neural networks are very close to the strength values obtained from the experiments.I

🔖

Bu Makaleye Atıf Yap

Kurt, Z., Çakmak, T., Gürbüz, A., Ustabaş, İ. (2022). ESTIMATING THE COMPRESSIVE STRENGTH OF FLY ASH ADDED CONCRETE USING ARTIFICIAL NEURAL NETWORKS. Celal Bayar Üniversitesi Fen Bilimleri Dergisi, Cilt: 18 Sayı: 4, 365–369. https://doi.org/10.18466/cbayarfbe.1064779

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (27)

  1. . Dinçer, A. & Aydemir, T. (2021). Adsorptive Removal of Tartrazine Dye by Poly(N-vinylimidazole-ethylene glycol dimethacrylate) And Poly(2-hydroxyethyl methacrylate-ethylene glycol dimethacrylate) Polymers. Celal Bayar University Journal of Science, 17 (4), 397-404. [2] Canbolat, S. (2021). Assessment of Asphaltene Production on Fracture Aperture During Heavy Oil Recovery. Celal Bayar University Journal of Science, 17 (4), 337-345. [3] İ. B. Topçu, “Beton Teknolojisi”, Eskişehir, 570s, 2006.
  2. Subaşı, S., Beycioğlu, A. & Emiroğlu, M. (2009). Beton Mekanik Özelliklerinin Taze Beton Özelliklerinden Yararlanılarak Yapay Sinir Ağları İle Tahmini. Eskişehir Osmangazi Üniversitesi Mühendislik ve Mimarlık Fakültesi Dergisi, Cilt 22 Sayı 3, 147-155. [5] Erdal, H. (2015). Contribution of Machine Learning Methods to the Construction Industry: Prediction of Compressive Strength. Pamukkale Üniversitesi Mühendislik Bilimleri Dergisi, 21 (3), 109-114. [6] Subası, S. & Beycıoglu, A. (2008). Farklı Tahmin Yöntemleri Kullanılarak Kırmataş Kalker Agregalı Betonların Basınç Dayanımının Belirlenmesi. Technological Applied Sciences, 3 (4), 580-589. [7] Demirel, B. (2008). Öğütülmüş Pomzanın Beton Basınç Dayanımına Etkisinin Yapay Sinir Ağı İle Belirlenmesi. Engineering Sciences, 3 (1), 20-29. [8] Yaprak, H. & Karacı, A. (2009). Polipropilen Lifli Betonların Yüksek Sıcaklık Sonrası Basınç Dayanımlarının Yapay Sinir Ağları ile Tahmini. International Journal of Engineering Research and Development,1(2),23-28, [9] Şahin, Y., Gündüz, Y. & Taşkan, E. (2020). Çelik Tel Donatılı Betonların Kırılma Parametrelerinin Yapay Sinir Ağları ile Modellenmesi. International Journal of Engineering Research and Development, 12 (2), 457-463. DOI: 10.29137/umagd.605714.
  3. Açıkgenç, M., Alyamaç, K. E. & İnce, R. (2012). Mermer Tozu İle Üretilmiş Kendiliğinden Yerleşen Betonların Dayanım Özelliklerinin Yapay Sinir Ağları Kullanılarak Belirlenmesi. Uluslararası Teknolojik Bilimler Dergisi, 4 (3), 72-79. [11] Topçu, İ. B., Sarıdemir, M. & Nohutçu, H. (2007). Lastikli Beton Özeliklerinin Yapay Sinir Ağları Ve Bulanık Mantıkla Belirlenmesi. Eskişehir Osmangazi Üniversitesi Mühendislik ve Mimarlık Fakültesi Dergisi, 20 (1), 1-16. [12] Uysal, M. (2007). The Effect of Overdose used Water Reducer Plasticizers on Properties of Concrete. Electronic Letters on Science and Engineering, 3 (1), 38-44. [13] Şamandar, A. (2015). Prediction Of Compressive Strength Of Normal Weight Concrete Including Fly Ash By Using Artificial Neural Network. Düzce Üniversitesi Bilim ve Teknoloji Dergisi, 3 (2), 481-487. [14] Yeh IC. “UCI Machine Learning Repository: Concrete Compressive Strength Data Set” http://archive.ics.uci.edu/ml/datasets/Concrete+Compressive+Strength (07.01.2022).
  4. Mazanoğlu, K., Kandemir-mazanoğlu, E. Ç. & Kandemir-mazanoğlu, E. Ç. (2017). Çatlaklı Kirişlerin Yapay Sinir Ağları ile Modellenmesi. Afyon Kocatepe Üniversitesi Fen Ve Mühendislik Bilimleri Dergisi, 17 (3), 1129-1135. [16] Liu, S., W., Huang, J., H., Sung, J., C., Lee, C., C. 2002. Detection of Cracks Using Neural Networks and Computational Mechanics. Computer Methods in Applied Mechanics Engineering, 191, 2831-2845.
  5. Başyiğit, C., Kaçar Akkaş, A. & Kurtarıcı, M. N. (2014). Betonların Radyasyon Zırh Kalınlıklarının Yapay Sinir Ağları ve Çoklu Regresyon Metotları ile Tahmini. Süleyman Demirel Üniversitesi Fen Bilimleri Enstitüsü Dergisi, 16 (1),. [18] Civalek, Ö., 1998. Plak ve Kabukların Nöro-Fuzzy Tekniği ile Lineer ve Non-Lineer Statik-Dinamik Analizi, Yüksek Lisans Tezi, Fırat Üniversitesi, Elazığ.
  6. Elmas, Ç., 2003. Yapay Sinir Ağları, Seçkin Yayınevi Ankara.
  7. Yalçın, Ö. F. (2020). Basit Mesnetli Köprülerde Hareketli Yük Dağılım Faktörleri Denklemlerinin Yapay Sinir Ağları ile Elde Edilmesi. Çukurova Üniversitesi Mühendislik-Mimarlık Fakültesi Dergisi, 35 (3), 609-622. DOI: 10.21605/cukurovaummfd.846321.
  8. Kıyıldı, R. K. (2021). Yapay sinir ağları ile Marshall stabilite değerinin tahmini. Niğde Ömer Halisdemir Üniversitesi Mühendislik Bilimleri Dergisi, 10 (2), 627-633. DOI: 10.28948/ngumuh.866566.
  9. Kılıç, F., Aka, H. & Aktuğ, Z. B. (2020). Futbolda Yapay Sinir Ağları Modeli İle Lig Sıralaması Tahmini. Uluslararası Güncel Eğitim Araştırmaları Dergisi, 6 (2), 379-391. [23] Sözen, A., Arcaklioğlu, E., Özkaymak, M. (2005). Turkey’s net energy consumption. Applied Energy, 81(2): 209-221.
  10. Chou JS, Chiu CK, Farfoura M, Al-Taharwa I. “Optimizingthe Prediction Accuracy of Concrete Compressive Strength Based on A Comparison of Data-mining Techniques”. Journal of Computing in Civil Engineering, 25(3), 242-253, 2011.
  11. . Dinçer, A. & Aydemir, T. (2021). Adsorptive Removal of Tartrazine Dye by Poly(N-vinylimidazole-ethylene glycol dimethacrylate) And Poly(2-hydroxyethyl methacrylate-ethylene glycol dimethacrylate) Polymers. Celal Bayar University Journal of Science, 17 (4), 397-404.
  12. Canbolat, S. (2021). Assessment of Asphaltene Production on Fracture Aperture During Heavy Oil Recovery. Celal Bayar University Journal of Science, 17 (4), 337-345.
  13. Subaşı, S., Beycioğlu, A. & Emiroğlu, M. (2009). Beton Mekanik Özelliklerinin Taze Beton Özelliklerinden Yararlanılarak Yapay Sinir Ağları İle Tahmini. Eskişehir Osmangazi Üniversitesi Mühendislik ve Mimarlık Fakültesi Dergisi, Cilt 22 Sayı 3, 147-155.
  14. Erdal, H. (2015). Contribution of Machine Learning Methods to the Construction Industry: Prediction of Compressive Strength. Pamukkale Üniversitesi Mühendislik Bilimleri Dergisi, 21 (3), 109-114.
  15. Subası, S. & Beycıoglu, A. (2008). Farklı Tahmin Yöntemleri Kullanılarak Kırmataş Kalker Agregalı Betonların Basınç Dayanımının Belirlenmesi. Technological Applied Sciences, 3 (4), 580-589.
  16. Demirel, B. (2008). Öğütülmüş Pomzanın Beton Basınç Dayanımına Etkisinin Yapay Sinir Ağı İle Belirlenmesi. Engineering Sciences, 3 (1), 20-29.
  17. Yaprak, H. & Karacı, A. (2009). Polipropilen Lifli Betonların Yüksek Sıcaklık Sonrası Basınç Dayanımlarının Yapay Sinir Ağları ile Tahmini. International Journal of Engineering Research and Development,1(2),23-28,
  18. Şahin, Y., Gündüz, Y. & Taşkan, E. (2020). Çelik Tel Donatılı Betonların Kırılma Parametrelerinin Yapay Sinir Ağları ile Modellenmesi. International Journal of Engineering Research and Development, 12 (2), 457-463. DOI: 10.29137/umagd.605714.
  19. Açıkgenç, M., Alyamaç, K. E. & İnce, R. (2012). Mermer Tozu İle Üretilmiş Kendiliğinden Yerleşen Betonların Dayanım Özelliklerinin Yapay Sinir Ağları Kullanılarak Belirlenmesi. Uluslararası Teknolojik Bilimler Dergisi, 4 (3), 72-79.
  20. Topçu, İ. B., Sarıdemir, M. & Nohutçu, H. (2007). Lastikli Beton Özeliklerinin Yapay Sinir Ağları Ve Bulanık Mantıkla Belirlenmesi. Eskişehir Osmangazi Üniversitesi Mühendislik ve Mimarlık Fakültesi Dergisi, 20 (1), 1-16.
  21. Uysal, M. (2007). The Effect of Overdose used Water Reducer Plasticizers on Properties of Concrete. Electronic Letters on Science and Engineering, 3 (1), 38-44.
  22. Şamandar, A. (2015). Prediction Of Compressive Strength Of Normal Weight Concrete Including Fly Ash By Using Artificial Neural Network. Düzce Üniversitesi Bilim ve Teknoloji Dergisi, 3 (2), 481-487.
  23. Mazanoğlu, K., Kandemir-mazanoğlu, E. Ç. & Kandemir-mazanoğlu, E. Ç. (2017). Çatlaklı Kirişlerin Yapay Sinir Ağları ile Modellenmesi. Afyon Kocatepe Üniversitesi Fen Ve Mühendislik Bilimleri Dergisi, 17 (3), 1129-1135.
  24. Başyiğit, C., Kaçar Akkaş, A. & Kurtarıcı, M. N. (2014). Betonların Radyasyon Zırh Kalınlıklarının Yapay Sinir Ağları ve Çoklu Regresyon Metotları ile Tahmini. Süleyman Demirel Üniversitesi Fen Bilimleri Enstitüsü Dergisi, 16 (1),.
  25. Yalçın, Ö. F. (2020). Basit Mesnetli Köprülerde Hareketli Yük Dağılım Faktörleri Denklemlerinin Yapay Sinir Ağları ile Elde Edilmesi. Çukurova Üniversitesi Mühendislik-Mimarlık Fakültesi Dergisi, 35 (3), 609-622. DOI: 10.21605/cukurovaummfd.846321.
  26. Kıyıldı, R. K. (2021). Yapay sinir ağları ile Marshall stabilite değerinin tahmini. Niğde Ömer Halisdemir Üniversitesi Mühendislik Bilimleri Dergisi, 10 (2), 627-633. DOI: 10.28948/ngumuh.866566.
  27. Kılıç, F., Aka, H. & Aktuğ, Z. B. (2020). Futbolda Yapay Sinir Ağları Modeli İle Lig Sıralaması Tahmini. Uluslararası Güncel Eğitim Araştırmaları Dergisi, 6 (2), 379-391.