KaydedilenlerDerginizi ekleyin

Dergiler / Politeknik Dergisi / 2017 / Cilt: 20 - Sayı: 4

Polimerik Atıklar İçeren Betonun Ultrason Hızının ve Dinamik Elastisite Modülünün Çok Yanıtlı Eniyilenmesi

Barış ŞİMŞEK
Tayfun UYGUNOĞLU
Sayfa
1008–1017
DOI
—
🏛️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)

Optimal karışım oranları ile gerçekleştirilen doğrulama deneyi, çok yanıtlı doğrusal programlama yönteminin beton bileşimi eniyileme problemlerini çözmede etkili biçimde kullanılabileceğini göstermektedir.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Bu çalışmada polimerik atıklar içeren betonun ultrason hızı ve elastisite modülü özelikleri üzerindeki etken etkileri çok değişkenli regresyon çözümlemesi ile çözümlendi.
📊
Temel Bulgular & Veri:Her biri üç seviyeye sahip yedi polimer; yüksek yoğunluklu polietilen, düşük yoğunluklu polietilen, polipropilen, termoplastik elastomer, dimetil teraftalat, polietilen teraftalat, polietilen naftalat ve deneylerin tasarımında (L27) ortogonal dizini seçildi.
💡
Sonuç & Katkı:Optimal karışım oranları ile gerçekleştirilen doğrulama deneyi, çok yanıtlı doğrusal programlama yönteminin beton bileşimi eniyileme problemlerini çözmede etkili biçimde kullanılabileceğini göstermektedir.
🔬Tür:Modelleme & Sayısal Simülasyon
📍Kapsam:Genişletilmiş Akademik Örneklem
⚙️Değişkenler:Beton · regresyon analizi · çok yanıtlı doğrusal programlama

Özet

Bu çalışmada polimerik atıklar içeren betonun ultrason hızı ve elastisite modülü özelikleri üzerindeki etken etkileri çok değişkenli regresyon çözümlemesi ile çözümlendi. Her biri üç seviyeye sahip yedi polimer; yüksek yoğunluklu polietilen, düşük yoğunluklu polietilen, polipropilen, termoplastik elastomer, dimetil teraftalat, polietilen teraftalat, polietilen naftalat ve deneylerin tasarımında (L27) ortogonal dizini seçildi. Ultrason hızı üzerinde azaltıcı etkiye sahip polimerler sırası ile 0.000, 0.009, 0.007, 0.008 ve 0.001 p‑değerleri ile yüksek yoğunluklu polietilen, düşük yoğunluklu polietilen, termoplastik elastomer, polietilen teraftalat ve polietilen naftalat olarak belirlendi. Dinamik elastisite modülü üzerinde azaltıcı etkiye sahip polimerler ise, sırasıyla,0,001, 0.002 ve 0.001 p‑değerleri ile yüksek yoğunluklu polietilen, polipropilen ve polietilen naftalat olarak belirlendi. Polimerik atıklar içeren betonun optimal karışım oranları doğrusal regresyon modelleri tabanlı çok yanıtlı doğrusal programlama yöntemiyle belirlendi. Optimal karışım oranları ile gerçekleştirilen doğrulama deneyi, çok yanıtlı doğrusal programlama yönteminin beton bileşimi eniyileme problemlerini çözmede etkili biçimde kullanılabileceğini göstermektedir.

🔖

Bu Makaleye Atıf Yap

ŞİMŞEK, B., UYGUNOĞLU, T. (2017). Polimerik Atıklar İçeren Betonun Ultrason Hızının ve Dinamik Elastisite Modülünün Çok Yanıtlı Eniyilenmesi. Politeknik Dergisi, Cilt: 20 - Sayı: 4, 1008–1017. https://ajindex.com/articles/307399

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (11)

  1. Yang L., Liu S., Tsoka S. and Papageorgiou G., “Mathematical programming for piece wise linear regression analysis”, Expert Systems With Applications, 44: 156-167, (2016)
  2. Kone E.R.S. and Karwan M. H., “Combining a new data classification Technique and regression analysis to predict the cost-to-serve new customers”, Computer and Industrial Engineering, 61 (1): 184-197, (2011)
  3. Pan J., Kung P., Bretholt A. And Lu J., “Prediction of energy’s environmental impactusing a three variable time series model”, Expert Systems With Applications, 41 (4): 1031-1040, (2014)
  4. Chen L., Zhao Y., Zhang J. and Zhong Zou J.,“Automatic detection of alertness/drowsiness from physiological signals using wavelet-based nonlinear features and machine learning”, Expert Systems With Applications, 42 (21): 7344-7355, (2015)
  5. Uludamar E., Tosun E. and Aydın K.,“Experimental and regression analysis of noise and vibration of a compression ignition engine fuelled with various biodiesels”, Fuel, 177: 326-333, (2016)
  6. Xie Q., Wang S., Zhu J. and Zhang X., “Modeling and predicting AD progression by regression analysis of sequential clinical data”, Neurocomputing, 195: 50-55, 2016
  7. Kaytez F., Taplamacıoğlu M. C., Cam E. and Hardalac F., “Forecasting electricity consumption: a comparison of regression analysis, neural networks and least squares support vector machines”, Electrical Power and Energy Systems, 67: 431-438, (2015)
  8. Chithra S., Senthil Kumar S.R.R., Chinnaraju K. and Alfin Ashmta F.,“A comparative study on the compressive strength prediction models for High Performance Concrete containing nano silica and copper slag using regression analysis and Artificial Neural Networks”, Construction and Building Materials, 114: 528-535, (2016)
  9. Viana F.A.C.,Simpson T.W., Balabanov V. and Toropov V.,“Metamodeling in multi disciplinary design optimization: how far have we all come”, American Institute of Aeronautics and Astronautics, 52 (4): 670–690, (2014)
  10. Toufigh V., Hosseinali M. and Shirkhorshidi S. M., “Experimental study and constitutive modeling of polymer concrete’s behavior in compression”, Construction and Building Materials, 112: 183-190, (2016)
  11. Şimşek B., İç Y.T., Şimşek E.H. and Güvenç A.B.,“Development of a graphical user interface for determining the optimal Mixture parameters of normal weight concretes: A response surface methodology based quadratic programming approach”, Chemometrics and Intelligent Laboratory Systems, 136: 1-9, (201