بخشی از مقاله
چکیده
مشکلی که بتن همواره با آن درگیر بوده تردی و شکنندگی و عدم قدرت باربری بعد از ترک خوردگی و در نتیجه طاقت و قدرت جذب انرژی پایین آن است. یکی از روشهای افزایش طاقت و قدرت جذب انرژی بتن، مسلح کردن آن به الیاف پلیمری میباشد. در طراحی ها، هریک از مواد تشکیل دهنده بتن بصورت یک پارامتر در نظر گرفته میشود در حالیکه هر یک ازاین مواد دارای ابعاد گوناگونی میباشند. بطور مثال، سیمان ها دارای مقاومت، نرمی و ترکیبات شیمیایی متفاوتی هستند. ریزدانه ها و درشت دانه ها، اندازه و جنس های متفاوتی دارند و یا ممکن است شکسته یا طبیعی باشند. در سالهای اخیر، مواد جدید وفن آوری های ساخت نوین در بتن بوجود آمده که تعداد پارامترهای موثر در طرح اختلاط بتن را تا دو برابر افزایش میدهد مانند میکروسیلیس ها و الیاف ها که هر کدام در انواع مختلف وجود دارند. تعدد پارامترهای موثر نتیجتا مسئله تعیین طرح اختلاط بتن را به یک مسئله برای جستجو در فضای ۰۱ الی ۰۲ متغیری (پارامتر موثری) تبدیل خواهد کرد. بر این اساس مدل هایی مبتنی بر شبکه های عصبی مصنوعی ساخته شده از داده های آزمایشگاهی مورد توجه محققین شاخه های گوناگون قرار گرفته است. دلیل عمده این
توجه آن است که بر خلاف روشهای کلاسیک موجود در تئوری های آماری، شبکه های عصبی به هیچ مدل یا تابع مشخص به همراه فرضیات محدود کننده برای خطی کردن مسئله نیاز ندارد. در این پژوهش با استفاده از شبکه های عصبی و ترکیب آن با الگوریتم اجتماع ذرات PSO مدلی بمنظور پیش بینی مقاومت فشاری بتن الیاف پلیمری ارائه گشته که قادر است مقاومت فشاری ۸۲ روزه بتن الیاف پلیمری را با دقت مناسبی پیش بینی نموده و میزان بهینه مصرف الیاف را مشخص نماید. پیش بینی مقاومت فشاری بتن الیاف پلیمری بر اساس مدل های شبکه عصبی مصنوعی بدون نیاز به انجام هیچگونه مطالعات آزمایشگاهی سبب صرفه جویی هزینه ها به مقدار بسیار زیادی در پروژه ها میگردد.
کلمات کلیدی: بتن الیاف پلیمری، شبکه های عصبی مصنوعی، مقاومت فشاری، مدل سازی، الگوریتم اجتماع ذرات . PSO
۱
دومین همایش ملی مصالح ساختمانی و فناوری های نوین در صنعت ساختمان
۷ اسفندماه ۳۹۳۱ دانشگاه آزاد اسلامی – واحد میبد
مقدمه
امروزه کاربرد بتن با نرمی بالاتر که بتواند تغییر شکلهای زیاد را بدون شکست تحمل نماید مورد توجه قرار گرفته است. تحقیقات وسیعی در خصوص تأمین نرمی لازم در بتن با الیافهای مختلف و حتی حذف آرماتور در حال انجام میباشد . هدف از کاربرد الیاف در بتن افزایش مقاومت کششی، کنترل گسترش ترکها و افزایش طاقت بتن میباشد تا قطعه بتنی بتواند در مقابل بارهای وارده در یک مقطع ترک خورده تغییر شکلهای زیادی را پس از نقطه حداکثر تنش تحمل نماید. بتن با الیاف مختلف در سالهای اخیر در سازههای عمدهای چون روسازی راهها و فرودگاهها، بتن پیهای عظیم که تغییر شکلهای زیادی دارند و بویژه در پوشش بتنی تونلها بکار رفته است. در ساخت پوشش تونلها بتن الیافی با پاشیدن بر جداره شکل میپذیرد. اخیراً برای حذف ترکها در پوشش تونلهایی که بصورت چند تکه پیش ساخته اجرا میشود از بتن الیافی استفاده میگردد و مصرف این نوع بتن سبب حذف ترکها در حین، عملآوری و حمل و نقل قطعات و نصب آنها برای کامل کردن مقطع تونلها شده است. درنوع بسیار جدید بتن الیافی که میتوان با آن به حداکثر نرمی در بتن رسید از روش ریختن دوغاب روی الیاف استفاده میشود. در این روش ابتدا الیاف ریخته شده و سپس فضای بین آنها با ملات دوغابی پر میشود. میزان الیاف در این بتن حدود ۰۱ درصد میباشد که حدود ۰۱ برابر میزان الیاف در بتنهای الیافی متداول است . با این مصالح لایههای محافظی بدون ترک و تقریباً غیر قابل نفوذ ایجاد گردیده که بعلت نرمی زیاد، ظرفیت تغییر شکلپذیری این قطعات به میزان ظرفیت دالهای فولادی میرسد. مقاومت فشاری این نوع بتن حدود ۰۱۱-٥۸ مگاپاسکال و مقاومت خمشی حدود ٤٥-٥۳ مگاپاسکال میباشد. این قطعات در باندهای فرودگاه در برابر ضربات عملکرد خوبی از خود نشان میدهند. در بعضی موارد با تغییر در مواد تشکیل دهنده بتن و با روشهای ابداعی میتوان پارهای از خواص نامطلوب بتن را حذف کرد . بعنوان مثال تراکم و دانسیته بالای بتنهای با مقاومت زیاد سبب کاهش مقاومت در برابر آتش این بتنها میشود که بعنوان یک عیب محسوب میشود. در دمای بالا آب شیمیایی خمیر سیمان بخار شده ولی به علت متراکم بودن بتن با مقاومت زیاد نمیتواند از آن خارج شود و در نتیجه پوشش بتنی بصورت ورقه جدا شده و ظرفیت بارپذیری ستون کاهش مییابد. در یک کار ابداعی میتوان الیاف پروپیلنی به بتن اضافه نمود که در دمای بالا الیاف ذوب شده و کانالهایی برای فرار و خروج بخار آب از بتن فراهم گردد و از ورقه ورقه شدن بتن جلوگیری بعمل آید. این نتایج منجر خواهد شد تا دیدگاه بتن بعنوان تنها یک ماده با مقاومت فشاری خوب به کلی دگرگون شده و خواص جدید بتنهای نوین نظر اکثر دست اندرکاران پروژههای عظیم عمرانی را در جهان بخود معطوف سازد.
استفاده از شبکه های عصبی، برای مدل سازی خواص مکانیکی هر نوع از بتن نتایج بسیار مناسب و دقیقی را در بر دارد و با استفاده از شبکه های عصبی جهت پیش بینی مقاومت بتن تنها یکبار با استفاده از نتایج آزمایشگاهی مدل سازی شده و دستیابی به پیش بینی مقاومت به صورت آنی و با دقت مناسب انجام میگردد و بسیاری از هزینه های نمونه سازی را کاهش میدهد. به کار گیری این مدل ها برای بررسی بیشتر پارامترهای موثر بر انواع بتن بسیار سودمند است. استفاده از خصوصیات بیشتری از سنگدانه ها، نوع سیمان مصرفی و شرایط ساخت نمونه ها در کنار دیگر پارامترهای ورودی پیش بینی مقاومت را دقیقتر میکند.
دراین پژوهش برای پیش بینی مقاومت فشاری بتن ساخته شده با الیاف پلیمری از شبکه های عصبی مصنوعی مدل پرسپترون و ترکیب آن با الگوریتم انبوه ذرات (جهت بهینه یابی درصد مصرف الیاف) استفاده
۲
دومین همایش ملی مصالح ساختمانی و فناوری های نوین در صنعت ساختمان
۷ اسفندماه ۳۹۳۱ دانشگاه آزاد اسلامی – واحد میبد
گردیده است. الگوریتم بهینه سازی انبوه ذرات ۱ با نام های دیگری چون الگوریتم ازدحام ذرات و الگوریتم پرندگان نیز معرفی شده است ].۲۱[ شبکه های عصبی مصنوعی۲ ANN به ما کمک میکند بدون نیاز به انجام آزمایشات هزینه بر و زمانبر به طرح اختلاط مناسب دست پیدا کنیم. با استفاده از ANN داده های جدید میتواند به طور مداوم بازآموزی و به طرز مناسبی با شرایط جدید وفق یابد . بحث در مورد توسعه ANN برای طراحی مخلوط بتن مطلوب یک ابزار موثر برای به حداقل رساندن اشتباهات است.
شکل ۱ چرایی استفاده از شبکه عصبی مصنوعی در طرح اختلاط بتن
پیشینه تحقیق
بررس ی ادبی ات فن ی نش اندهنده فعالیته ای متن وع در زمین ه ک اربرد ش بکه ه ای عص بی مص نوعی جه ت طراحی مخلوط های بتنی و پیش بینی مقاومت فش اری ب تن میباش د. از جمل ه کاره ای ص ورت گرفت ه در زمین ه طراحی مخلوط بتن بوسیله شبکه ه ای عص ب مص نوعی میت وان ب ه م وارد زی ر اش اره داش ت. رمض انیانپور و همکاران ]٤[ از شبکه ه ای عص بی مص نوعی ن وع پیش خور ب ا الگ وریتم پ س انتش ار خط ا ب ا ۲ لای ه پنه ان و تع داد مختل ف ن رون، جه ت پ یش بین ی مقاوم ت فش اری ب تن اس تفاده نمودن د. فرآین د ی ادگیری ش بکه عص بی مص نوعی پ س انتش ار خط ا ش امل فرس تادن مق ادیر ورودی ب ه ص ورت پیش خور ب ه داخ ل ش بکه و محاس به اختلاف بین خروجی بدست آمده از شبکه با خروجی مطلوب نظیر در مجموعه داده های آموزش ی میباش د.
