بخشی از مقاله
چکیده.
مقاومت پیوستگی بین بتن و میلگردهای مدفون داخل آن در مهندسی عمران ، برای طراحی سازه ها امری مهم و حیاتی می باشد و تا کنون پژوهشگران متعددی، تحقیقات مختلفی را انجام داده اند که بیشتر بر مبنای آزمایش های انجام گرفته ، فرمول های تجربی، نمودار، جداول بدست آمده و ترسیم شده اند. اما نکته قابل توجه در این گونه طراحی ها این است که هریک از پارامترهای تشکیل دهنده دارای ابعاد گوناگونی می باشد. در این تحقیق پارامترها موثر بر مقاومت پیوستگی بین بتن و میلگرد عبارتند از:
سیمان، آب، درشت دانه ها، ریز دانه ها، بیندر، سوپرپلاسبیسایزر در نظر گرفته شده اند. که برای هریک از این پارامترها بر روی مقاومت پیوستگی از شبکه استنتاج عصبی - فازی تطبیقی استفاده شده است که علاوه بر ابعاد گوناگون هر پارامتر مقدار تاثیرشان نیز مشخص می شود. این شبکه حاصل تلفیق شبکه عصبی مصنوعی و منطق فازی است. در این تحقیق برای ارزیابی کاربرد شبکه استنتاج عصبی - فازی تطبیقی از معیارهای مجموع مربعات خطا و ضریب همبستگی کمک گرفته شده است که نتایج حاصل شده برتری این شبکه را نشان می دهد و این شبکه را به ابزار قوی جهت مدل کردن مکانیزم های پیچیده علوم مهندسی تبدیل می کند.
. 1 مقدمه
امروزه استفاده از میلگردهای مدفون در بتن برای سازه های مهندسی امری رایج می باشد. مقاومت پیوستگی بین بتن و میلگرد باعث بوجود آمدن خاصیتی به نام تنش برشی می شودکه عامل چسبندگی بتن به میلگرد و نقش اساسی را در طراحی سازه های بتن آرمه دارد . از این رو طرح اختلاط بتن در مقاومت پیوستگی بتن با میلگرد بسیار مهم است ویکی از مهم ترین مسایل مهندسی به شمار می رود و باید روش دقیق برای پیش بینی مقاومت پیوستگی پیدا کرد تا در طراحی سازه های مهندسی به حداکثر مقاومت رسید.
پژوهشگرانی بوده اند که اثر میلگرد جانبی و فوقانی را در پیوستگی بین آرماتور و بتن بررسی کرده اند.محمدرضا اصفهانی [1] اثر آرماتور جانبی - خاموت - را در پیوستگی بین آرماتور و بتن مورد مطالعه قرار داده و معادله ای برای تعیین ظرفیت پیوستگی ان ارایه داده است در مطالعه ی دیگر مهر اله رخشانی مهر [2] طی تحقیقی اثر آرماتور گذاری فوقانی بر پیوستگی آرماتور های فولادی و بتن فوق توانمند را نشان داده اند.
در گذشته بیشتر مدل های ارائه شده در زمینه رفتار بتن و میلگرد ها بر اساس تکنیک های ریاضی و بر پایه رگرسیون های خطی وغیرخطی استوار بوده است . امروزه استفاده از شبکه های عصبی مصنوعی هوشمند در همه ی مسایل مهندسی وارد شده است و در پیش بینی مسایل که رگرسیون های خطی قادر به ارتباط بین ورودی و خروجی نیست کاربرد پیدا کرده اند و به عنوان ابزاری برای رگرسیون ، مخصوصا در شناخت الگو و تخمین توابع جایگاه ویژه ای پیدا کرده اند که این توابع از نوع غیرخطی هستند.
چند وایی [3] با استفاده از شبکه عصبی مصنوعی اسلامپ بتن را پیش بینی کرده اند و نشان داده اندکه شبکه عصبی مصنوعی توانایی پیش بینی بسیار خوبی در این زمینه دارد در تحقیق دیگر از همین نویسنده [4] اسلامپ بتن آماده را با الگوریتم ژنتیک بررسی کرده اند .
مستوفی نژاد [5] برآورد مقاومت فشاری بتن ها با مقاومت بالا را با استفاده از شبکه های عصبی مصنوعی بررسی کرده اند و برای کارایی بیشتر شبکه عصبی مصنوعی را با ترکیب الگوریتم ژنتیک بهره گرفته اند.
علی اکبر رمضانیانپور [6] مقاومت فشاری بتن را با استفاده از شبکه عصبی مصنوعی تخمین زده اندو نتیجه گرفتند که مدل های شبکه عصبی عملکرد بسیار مناسبی در پیش بینی مقاومت فشاری بتن را دارد .
همین محقق [7] در تحقیقی دیگر کاربرد شبکه های عصبی مصنوعی در طرح اختلاط بتن غلتکی برای رسیدن به اقتصاد ی ترین و بهینه ترین طرح اختلاط را بررسی کرده اندو مدل ها را به این منظور آموزش داده اند که میتوان از آنها در جهت پیش بینی های مهندسی استفاده کرد. هدف این تحقیق کاربرد مقاومت پیوستگی بین بتن و میلگرد های مدفون با استفاده از سیستم استناج عصبی -فازی تطبیقی است که برای رسیدن به این امر از داده های آزمایشگاهی که طی آن آزمایش بیرون کشیدن آرماتورهای مدفون در نمونه های مکعبی به ابعاد 150*150*150متر مکعب استفاده میشود که این آزمایش در دانشگاه پلی تکنیک ملی آتن صورت گرفته است
پارامترهای مورد آزمایش عبارتند از :عیار سیمان -نسبت آب به سیمان -نوع ودرصدمواد جایگزین سیمان -درشت دانه وریزدانه ها و درصد مواد افزودنی و ماکزیمم تنش پیوستگی نمونه های مکعبی15سانتی متری میباشد.
ارجمندی و فروغی اصل[9] با استفاده از همین داده ها ، مقدار پیوستگی بین بتن و میلگرد مدفون را با شبکه عصبی مصنوعی مطالعه کرده اند و نتیجه گرفتند که شبکه های عصبی مصنوعی قابلیت جایگزینی مناسب برای روابط ریاضی هستند و براحتی مقاومت پیوستگی بتن و میلگرد ها را پیش بینی کرده اند.
-2 مواد و روش ها
-1-2 اطلاعات مسأله
بدون شک مقاومت پیوستگی بتن و میلگردهای مدفون به طور موثر با بکارگیری ظوابط ریاضی توسعه داده شده و با استفاده از رایانه را نیز انجام داده اند لیکن مواردی وجود دارد که بکارگیری روش های تقریبی برای پیدا کردن مقاومت پیوستگی موثر واقع شده و در زمان محاسبه صرفه جویی قابل ملاحظه ای صورت میگیرد اما در مواردی که نیاز به تغییر پارامتر وجود دارد این روش ها کارایی خود را از دست میدهند که باید از روش های هوشمند استفاده کرد. از طرفی مدل های آماری داده محور بوده و بر مبنای تجربیات مشاهده شده استوارند
.مدل های سیستم استنتاج عصبی-فازی تطبیقی یا به اختصار ANFIS جزء مدل های پیشرفته آماری و اساسا داده محور است و اطلاعات ورودی به این مدل ها نیز بسته به هدف تحقیق مختلف است. در این تحقیق ورودی مدل ها عبارتند از: عیار سیمان و مقدار آب ، مقدار شن، مقدار ریزدانه ، نسبت آب به سیمان ، درصد سوپرپلاستیسایزر ، نسبت آب به بیندر ، نسبت سوپرپلاستیسایزر به آب و نسبت سوپرپلاستیسایزر و خروجی مدل ، مقاومت پیوستگی بتن و میلگرد های مدفون است.
جدول :1پارامترهای مورد استفاده در این تحقیق
-2-2 سیستم استنتاج عصبی-فازی تطبیقی
برای مدل سازی می توان از انواع ابزار ریاضی استفاده کرد که معادلات دیفرانسیل یکی از همین ابزارها است اما با گذشت زمان و پیشرفت علم و نیاز مبرم به مدل سازی مسائل پیچیده ، دیگر ابزار های ریاضی کارایی خود را از دست می دهند و باید با روش های جایگزین شوند که کارایی بهتری داشته باشند یکی از این روش ها ، سیستم فازی می باشد. با سیستم فازی می توان مدل سازی را به بهترین نحو ممکن انجام داد. [10] شناسایی این نوع مدل سازی توسط تاگاتی و سوگنو صورت گرفت که کاربرد خود را در مسائل پیچیده ی علمی ثابت کرداما اکنون می توان با ترکیب ساختار شبکه های عصبی مصنوعی و ساختار فازی ، شبکه عصبی - فازی به وجود آورد و برای پیش بینی از آن بهره جست.
ساختار انفیس اولین بار درسال 1993 معرفی شد که حاصل تلفیق شبکه عصبی مصنوعی با منطق فازیست و با استفاده از این شبکه می توان مدل هایی بر اساس داده های ورودی و خروجی ایجاد نمود. انفیس یکی از مدل های توسعه یافته ی فازی بر مبنای به کارگیری تکنیک های آموزش مختلف در شبکه های عصبی است که عملکرد موفقی را در مدل سازی توابع غیرخطی از خود نشان داده است. این مدل از یک شبکه پیش خور برای بهینه کردن پارامترهای سیستم استنتاج فازی استفاده میکند
الگوریتم آموزش برای مدل انفیس شامل یک الگوریتم ترکیبی متشکل از روش های کاهش گرادیان و حداقل مربعات است[13-12] معمول ترین نوع FIS که قابلیت قرارگیری در یک شبکه تطبیقی را دارا است .سیستم فازی سوگنو می باشد که خروجی آن یک رابطه خطی است و پارامتر های آن را میتوان با ترکیب روش های حداقل مربعات خطا و انتشار خطا به عقب بر اساس کاهش گرادیان برآورد نمود
در مورد انفیس و الگوریتم ترکیبی مورد استفاده آن , مطالعات گسترده ای صورت گرفته است که در شکل 1 و2 به ترتیب نمونه ای از سیستم استنتاج فازی سوگنو مرتبه اول که دارای دو ورودی xوy و خروجی z است و هم چنین معماری انفیس معادل آن نشان داده شده است.
شکل:1 سیستم استنتاج فازی سوگنو شکل:2 معماری انفیس معادل سیستم استنتاج فازی در این تحقیق
-3-2 معیارهای ارزیابی
اولین اقدام برای ارزیابی شبکه های عصبی مصنوعی هوشمند - - ANFIS نرمال کردن داده ها است که برای این منظور از رابطه 1 استفاده شده است
