بخشی از مقاله
چکیده
بتن غلتکی نوعی بتن بدون اسلامپ است که استفاده از آن در روسازی راه به دلایلی چون در دسترس بودن مصالح، عمر مفید بالا و عملکرد مناسب تحت ترافیک سنگین گسترش یافته است. نسبتهای بهینه طرح مخلوط بتن غلتکی عموماً با استفاده از روشهای تجربی بیان شده در آیین نامه ها به دست میآید؛ روشهای تجربی طرح مخلوط نیز مبتنی بر ساخت نمونه های متعدد آزمایشی اولیه و ارزیابی معیار مقاومتی نمونهها پس از گذشت 28 روز هستند که علاوه بر صرف هزینه، بسیار زمانبر میباشند.
در این تحقیق با استفاده از آنالیز رگرسیون و ماشین بردار پشتیبان به پیشبینی مقاومت فشاری بتن غلتکی پرداخته شده است. بررسی نتایج نشانگر عملکرد مناسب مدل ماشین بردار پشتیبان در پیشبینی مقاومت فشاری بتن غلتکی است. با استفاده از مدل ذکر شده میتوان مرحله زمانبر ساخت نمونههای آزمایشی اولیه را از فرآیند طراحی بتن غلتکی حذف نمود.
. 1 مقدمه
بتن غلتکی روسازی نوعی بتن بدون اسلامپ است کهعموماً از مخلوط کردن سنگدانه ، مواد سیمانی و آب حاصل میگردد. این مخلوط نهاتاًی توسط دستگاههای متداول روسازی آسفالتی پخش و پسازآن توسط غلتک کوبیده و متراکم میگردد. مواد تشکیلدهنده بتن غلتکی در داخل مخلوطکن به یک مخلوط همگن که دارای روانی بسیار پایین و ظاهری مشابه مخلوط شن و ماسه نمدار است میگردد. حساسیت بتن غلتکی به اجزاء تشکیلدهنده و طرح مخلوط سبب مشکلاتی در پیشبینی مقاومت فشاری این نوع بتن شده است.
امروزه مدلسازی به کمک هوش مصنوعی جایگاه ویژهای در علوم فنی و مهندسی پیدا کرده است و مدلسازی رفتار مواد که با پیچیدگیهای فراوانی روبهرو بوده تا حدودی به کمک این روش میسر شده است. محققین بسیاری توسط روشهای مختلف ریاضی مدل های ارزشمندی را در زمینه تخمین رفتار بتن ارائه نمودهاند که درگذشته این روشها بیشتر بر پایه رگرسیونهای خطی و غیرخطی استوار بودهاند. امروزه روشهای بر پایه هوش مصنوعی مانند شبکههای عصبی مصنوعی و سیستم استنتاج فازی عصبی-تطبیقی در این زمینه با موفقیت مورد استفاده قرارگرفتهاند
اکثر روشهای طراحی مخلوط بتن غلتکی نیاز به ساخت نمونه های اولیه و آزمایشی برای تعیین بهترین طرح مخلوط دارند که علاوه بر صرف هزینه و اتلاف مصالح بسیار زمانبر هستند زیرا کهمعمولاً لازم است خواص مقاومتی نمونهها در سن 28 روز موردبررسی قرار گیرد. حال اگر در حین انجام پروژه ناگزیر منبع مصالح مورداستفاده دچار تغییر شود روند انجام پروژه با مشکل روبهرو میشود. علاوه بر مشکل ذکرشده طراحی بتن غلتکی با روشهای تجربی، نیازمند استفاده از منابع خام طبیعی است و این امر در راستای حفظ محیطزیست نخواهد بود. برای رفع این مشکل استفاده از مدلهای پیشبینیگر برای پیشبینی مقاومت فشاری بتن غلتکی میتواند گزینه مناسبی باشد.
آقای صدرممتازی و همکاران [7] در سال 2013 برای مدلسازی مقاومت فشاری بتن سبک حاوی دانه های منبسطشده پلی استایرن از آنالیز رگرسیون، شبکه عصبی مصنوعی و انفیس استفاده کردهاند. تعداد کل طرح مخلوطهای به کار گرفتهشده در این تحقیق 75 عدد میباشد که 64 عدد برای آموزش و 11 عدد برای آزمایش شبکه ها استفاده شده است.
برای جلوگیری از به وجود آمدن خطا در آموزش شبکه تمامی داده ها نرمال شدهاند و 10 طرح را بهصورت تصادفی جدا گشته و برای اعتبارسنجی مدلهای استفاده شده است. درنهایت بهترین مدل از هر روش انتخاب و باهم مقایسه شده است. بررسی نتایج نشاندهنده عملکرد مناسب شبکه عصبی مصنوعی و انفیس در پیش بینی مقاومت فشاری بتن سبک است. شبکه عصبی بهترین و مدل رگرسیون ضعیف ترین توانایی را در مدلسازی مقاومت فشاری بتن سبک از خود نشان دادهاند.
چیترا و همکاران [5] در تحقیق خود در سال 2016، به بررسی مقایسهای مدلهای پیشبینی کننده مقاومت فشاری برای بتن فوق توانمند حاوی نانو سیلیس و سرباره مس با استفاده از آنالیز رگرسیون و شبکه های عصبی مصنوعی پرداخت. درمجموع 264 مقاومت فشاری در سنین مختلف بهعنوان اطلاعات ورودی روشهای مدلسازی در نظر گرفته شده است. اطلاعاتی که بهعنوان ورودی مدلها در نظر گرفته شد شامل مقدار سیمان، نانو سیلیس، ریزدانه، درشتدانه، روانساز، سرباره مس، سن نمونه و مقدار آب میشود. 3 مدل رگرسیون و 3 مدل شبکه عصبی تشکیل شد که تفاوت مدلها باهم در تعداد طرح مخلوط و نوع ورودی میباشد. بررسی نتایج نشانگر عملکرد ضعیف مدل های رگرسیونی است که دلیل آن میتواند تعداد کم مشاهدات برای کامل کردن اطلاعات مدل پیشبینی کننده باشد.
آقای سبحانی و همکاران [6] در سال 2011 برای پیشبینی مقاومت فشاری 28 روزه بتن بدون اسلامپ از مدلهای رگرسیون، شبکه عصبی مصنوعی و سیستم استنتاج فازی عصبی تطبیقی - انفیس - استفاده کردهاند. ایشان در نتیجهگیری تحقیق خود بیان میدارد که مدل های شبکه عصبی و انفیس عملکرد بهتری نسبت به مدل رگرسیون داشتهاند. در بین مدل های رگرسیون، مدل با تابع چندجملهای درجهدو بهترین عملکرد را داشته است.
یان و همکاران [8] در سال 2013 به پیش بینی مقاومت کششی با استفاده از مقاومت فشاری بتن، بهوسیله ماشین بردار پشتیبان پرداختهاند. ایشان 4 مدل ماشین بردار پشتیبان با استفاده از توابع هسته متفاوت ساختند. تمامی طرح مخلوطهایی که برای آموزش و آزمایش مدل ها استفاده شده است از سایر تحقیقات انجامگرفته جمعآوری شده است. در استفاده از ماشین بردار پشتیبان انتخاب نوع هسته نتیجه مطلوب مدلسازی را تضمین می کند. تمامی مدلهای ساختهشده ماشین بردار پشتیبان دقت مناسبی در پیشبینی مقاومت کششی بتن داشتند و نتایج بسیار نزدیک به نتایج آزمایشگاهی بودند.
آقای صدیق و همکاران [9] در سال 2008 در تحقیق خود برای مدلسازی خواص بتن خودتراکم از روش ماشینهای بردار پشتیبان استفاده کردهاند. همچنین برای مقایسه عملکرد مدلهای ماشین بردار پشتیبان، چندین مدل شبکه عصبی نیز ساخته شده است. برای ساخت مدلها مقاومت فشاری 28 روزه و اسلامپ بهعنوان خروجی و مقدار سیمان، ماسه، شن، نسبت آب به سیمان، فوق روانساز و درصد خاکستر بادی بهعنوان ورودی در نظر گرفته شد. برای ساخت ماشین بردار پشتیبان از دو تابع هسته چندجملهای و پایه شعاعی استفاده گردیده است. ماشین بردار پشتیبان با هسته توابع پایه شعاعی بهترین عملکرد را در پیشبینی مقاومت فشاری 28 روزه و اسلامپ بتن خودتراکم داشته است.
فام و همکاران [10] در سال 2015 در تحقیق خود برای پیشبینی مقاومت فشاری بتن توانمند از روش بردار پشتیبان بهینهشده با الگوریتم فرا ابتکاری استفاده کردهاند. دادههای بهکار گرفته شده از یک پروژه تحقیقاتی تهیه گردید که شامل 239 طرح میشود. برای مقایسه عملکرد این روش، مدلهای شبکه عصبی مصنوعی و ماشینهای بردار پشتیبان نیز ساخته و مورد ارزیابی قرار گرفتهاند.
مدل ابتکاری مورد استفاده در این تحقیق از ترکیب رگرسیون بردار پشتیبان و الگوریتم بهینهسازی کرم شبتاب تشکیل شده است؛ که الگوریتم کرم شبتاب به بهینهسازی پارامترهای مدل رگرسیون بردار پشتیبان میپردازد. مقایسه نتایج نشان میدهد که بهترین عملکرد را در پیشبینی مقاومت فشاری روش کمترین مربعات رگرسیون بردار پشتیبان بهینهشده با الگوریتم کرم شبتاب داشته است.
آقای سبحانی و همکاران [11] در سال 2013 از ماشین بردار پشتیبان و شبکه عصبی مصنوعی برای پیشبینی مقاومت فشاری 28 روزه بتن بدون اسلامپ استفاده کردهاند. به طورکلی 96 طرح مخلوط برای مدلسازی استفادهشده است. هر دو مدل شبکه عصبی مصنوعی و ماشین بردار پشتیبان بهوسیله الگوریتم ژنتیک بهینه شدند. در مدل ماشین بردار پشتیبان از هسته گوسی استفاده شده است.
نتایج نشان میدهد که هر دو مدل شبکه عصبی مصنوعی و ماشین بردار پشتیبان قابلیت مناسبی در پیش بینی مقاومت فشاری 28 روزه بتن بدون اسلامپ دارند اما روش ماشین بردار پشتیبان بهینهشده با الگوریتم ژنتیک به دلایلی مانند تعداد پارامترهای کمتر برای تنظیم و بهینه کردن مدل، یادگیری سریعتر، قدرت بیشتر و حساسیت کمتر هنگام وجود داده های آموزش نامناسب نسبت به شبکه عصبی مصنوعی ترجیح داده میشود.
.1 روشهای مدلسازی
مدل بهصورت متعارف برای چیزی که جایگزین واقعیتی بزرگ تر میشود در نظر گرفته میشود. مدلها را میتوان سادهشده یک پدیده واقعی نامید که بیشترین شباهت ها و خصوصیات پدیده اصلی را در خود منعکس کرده است؛ سودمندی مدلها دقیقاً در این مشابهتها نهفته است. به عبارتی مدل به شبیهسازی رفتار پدیده مدنظر میپردازد. در این تحقیق از روشهای مدلسازی آنالیز رگرسیون و ماشین بردار پشتیبان برای پیشبینی مقاومت فشاری بتن غلتکی استفاده شده است.
. 1 . 2 روشهای مدلسازی استفاده شده
. 1 .1 . 2 آنالیز رگرسیون
کلمه رگرسیون از دید لغوی به معنی بازگشت یا پسروی است در حالی که از دید آمار و ریاضیات رگرسیون به مفهوم بازگشت به یک مقدار متوسط یا میانگین به کار میرود که به این موضوع اشاره دارد که برخی پدیدهها به مرور زمان از نظر کمی به سمت یک مقدار متوسط میل میکند. کلمه رگرسیون توسط فرانسیس گالتون در سال 1788 در مقالهای که درباره بازگشت به میانگین منتشر کرده بود مطرح شد. آنالیز رگرسیون روشی آماری برای محاسبه و یافتن رابطه بین یک متغیر وابسته با یک یا چند متغیر وابسته است.
آنالیز رگرسیون به فهم چگونگی تغییر یک متغیر وابسته زمانی که هر یک از متغیرهای مستقل آن تغییر میکنند در حالی که سایر متغیرهای وابسته ثابت هستند، کمک میکند. در اکثر موارد هدف از آنالیز رگرسیون محاسبه تابعی از متغیرهای مستقل است برای پیشبینی متغیر وابسته میباشد.
آنالیز رگرسیون امروزه به صورت گسترده برای پیش بینی استفاده میشود. تکنیک های زیادی برای انجام آنالیز رگرسیون وجود دارد. روشهای رگرسیون خطی و رگرسیون کمترین مربعات از پرکاربردترین این روش ها هستند.
آقای سبحانی [6] در تعریف آنالیز رگرسیون اینگونه بیان میدارد که رگرسیون خطی شکلی از آنالیز رگرسیون است که رابطه بین یک یا چند متغیر مستقل و وابسته مدل شده با یک معادله رگرسیون خطی را نشان میدهد، در حالی که هدف کلی از رگرسیون غیرخطی پیدا کردن یک معادله غیرخطی مناسب برای این رابطه است. شکل کلی مدل رگرسیون بهصورت معادله 1 است.
. 2 . 1 . 2 ماشین بردار پشتیبان
ماشین بردار پشتیبان - SVM - 1 نوعی شبکه عصبی مصنوعی است که جزء روش های یادگیری با نظارت دستهبندی میگردد. این روش هم برای دستهبندی و هم مدلسازی اطلاعات قابل استفاده است. الگوریتم اولیه ماشین بردار پشتیبان در سال 1963 توسط وپنیک ابداع شد و در سال 1995 توسط وپنیک و کورتس برای حالت غیرخطی تعمیم داده شد.
ماشین بردار پشتیبان در اصل یک دستهبندی کننده دو کلاسه است که کلاسها را توسط یک مرز خطی از هم جدا میکند. در این روش نزدیکترین نمونهها به مرز تصمیمگیری را بردارهای پشتیبان مینامند. این بردارها معادله مرز تصمیمگیری را مشخص میکنند. این روش به دلیل استفاده از اصل کمینهسازی ریسک ساختاری از طریق بیشینه کردن فاصله بین دو ابرصفحه گذرا از بردارهای پشتیبان هر دو کلاس اعمال میشود که سعی در کمینه کردن خطای آموزش دارد، عملکرد بهتری بر روی دادههایی که مدل با آنها ساخته نشده است از خود نشان میدهد . شکل 1 تقسیم بندی دو دسته اطلاعات به وسیله ماشین بردار پشتیبان را نشان میدهد
