Dergiler / Fırat Üniversitesi Mühendislik Bilimleri Dergisi / 2022 / Cilt: 34 - Sayı: 2

Hafif Beton Üretimi İçin Gerekli Olan Hafif Agrega Miktarının Yapay Sinir Ağı ile Tahmin Edilmesi

Sayfa
889–898
Yayın Tarihi
2022-09-30
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)

Sonuç olarak geliştirilen YSA modelinin hedeflenen çıkışı başarılı bir şekilde ve yüksek doğrulukta tahmin ettiği görülmektedir.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Bu çalışmanın amacı hafif beton üretilirken hedef mukavemet için gerekli olan hafif agrega miktarının tayin edilmesi ve gelecek çalışmalarda üretilecek hafif betonlar için pratik bir karışım tasarımı sunmaktır.
📊
Temel Bulgular & Veri:Literatürden hafif betonlara ait karışım bileşenleri ve hedef basınç dayanımı değerleri alınmıştır.
💡
Sonuç & Katkı:Sonuç olarak geliştirilen YSA modelinin hedeflenen çıkışı başarılı bir şekilde ve yüksek doğrulukta tahmin ettiği görülmektedir.
🔬Tür:Literatür & Derleme Çalışması
📍Kapsam:Genişletilmiş Akademik Örneklem
⚙️Değişkenler:Hafif beton · Hafif agrega · Hedef basınç dayanımı

Özet

Bu çalışmanın amacı hafif beton üretilirken hedef mukavemet için gerekli olan hafif agrega miktarının tayin edilmesi ve gelecek çalışmalarda üretilecek hafif betonlar için pratik bir karışım tasarımı sunmaktır. Bu amaçla literatürde yer alan hafif beton ile ilgili çalışmalar detaylı bir şekilde incelenmiştir. Bu çalışmalarda bulunan hafif betonlara ait veriler sınıflandırılmış ve listelenmiştir. Literatürden hafif betonlara ait karışım bileşenleri ve hedef basınç dayanımı değerleri alınmıştır. Literatürden alınan deneysel veriler ile bir Yapay Sinir Ağı (YSA) modeli geliştirilmiştir. Bu modelde su, çimento, normal agrega, toz, kimyasal katkı, hedef basınç mukavemet ve hafif agrega tipi giriş olarak kullanılmıştır. Modelin çıkışı ise hafif agrega miktarı olarak belirlenmiştir. Düzenlenen veriler geliştirilen YSA modeli kullanılarak hafif beton bileşimindeki hafif agrega miktarının tahmininde kullanılmıştır. Geliştirilen model çıkışları ile literatürden alınmış deneysel veriler karşılaştırılmıştır. Geliştirilen YSA modeli ile elde edilen sonuçlar ile deneysel veriler arasındaki farklar uygun sınırlar içerisinde bulunmuştur. Sonuç olarak geliştirilen YSA modelinin hedeflenen çıkışı başarılı bir şekilde ve yüksek doğrulukta tahmin ettiği görülmektedir. Böylece hedef basınç dayanımı belirlenmiş olan bir hafif beton karışımı için hafif agrega miktarı hızlı, pratik ve yüksek doğrulukta tahmin edilmiş olacaktır.

🔖

Bu Makaleye Atıf Yap

SAĞLAM, R. N., ULAŞ, M. A., ALYAMAÇ, K. E. (2022). Hafif Beton Üretimi İçin Gerekli Olan Hafif Agrega Miktarının Yapay Sinir Ağı ile Tahmin Edilmesi. Fırat Üniversitesi Mühendislik Bilimleri Dergisi, Cilt: 34 - Sayı: 2, 889–898. https://ajindex.com/articles/666211

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (10)

  1. B. Baradan, Yapı Malzemesi II. Dokuz Eylül Üniversitesi Mühendislik Fakültesi Basım Ünitesi, 2000. S. (Satish) Chandra and L. Berntsson, Lightweight aggregate concrete: science, technology, and applications. 2002.
  2. V. Khonsari, E. Eslami, and A. Anvari, “Effects of expanded perlite aggregate (EPA) on the mechanical behavior of lightweight concrete,” in Proceedings of the 7th international conference on fracture and mechanics of concrete & concrete structure (FraMCoS-7), Jeju, Korea, 2010, pp. 1354–1361. “TS EN 206-1,” 2002, vol. 13535, no. 1998.
  3. M. Açikgenç, M. Ulaş, and K. E. Alyamaç, “Using an Artificial Neural Network to Predict Mix Compositions of Steel Fiber-Reinforced Concrete,” Arab. J. Sci. Eng., vol. 40, no. 2, pp. 407–419, 2015, doi: 10.1007/s13369-014-1549-x. H.-G. Ni and J.-Z. Wang, “Prediction of compressive strength of concrete by neural networks,” Cem. Concr. Res., vol. 30, no. 8, pp. 1245–1250, 2000.
  4. M. I. Waris, J. Mir, V. Plevris, and A. Ahmad, “Predicting compressive strength of CRM samples using Image processing and ANN,” IOP Conf. Ser. Mater. Sci. Eng., vol. 899, no. 1, 2020, doi: 10.1088/1757-899X/899/1/012014.
  5. D. Nagarajan, T. Rajagopal, and N. Meyappan, “A comparative study on prediction models for strength properties of LWA concrete using artificial neural network,” Rev. la construcción, vol. 19, no. 1, pp. 103–111, 2020.
  6. D. J. Armaghani and P. G. Asteris, A comparative study of ANN and ANFIS models for the prediction of cement-based mortar materials compressive strength, vol. 4. Springer London, 2020.
  7. A. F. Bingöl, A. Tortum, and R. Gül, “Neural networks analysis of compressive strength of lightweight concrete after high temperatures,” Mater. Des., vol. 52, pp. 258–264, 2013.
  8. G. Calis, S. A. Yıldızel, and U. S. Keskin, “Application of an artificial neural network for predicting compressive and flexural strength of basalt fiber added lightweight.” R. Pranamika, “Predictive study on Mechanical strength of Lightweight concrete using MRA and ANN,” Turkish J. Comput. Math. Educ., vol. 12, no. 10, pp. 7774–7792, 2021.
  9. J. Y. Yoon, H. Kim, Y.-J. Lee, and S.-H. Sim, “Prediction model for mechanical properties of lightweight aggregate concrete using artificial neural network,” Materials (Basel)., vol. 12, no. 17, p. 2678, 2019.
  10. H. Ergezer, M. Dikmen, and E. Özdemir, “Yapay sinir ağları ve tanıma sistemleri,” PiVOLKA, vol. 2, no. 6, pp. 14–17, 2003. R. Hecht-Nielsen, “Theory of the backpropagation neural network,” in Neural networks for perc