A platform for research: civil engineering, architecture and urbanism
A platform for research: civil engineering, architecture and urbanism
Ocjena čvrstoće betonskih jezgri pomoću umjetnih neuronskih mreža ; Assessment of core strength of concrete by artificial neural networks
U ovom se radu koristi postupak baziran na brzini ultrazvučnih impulsa kao alternativna metoda za određivanje tlačne čvrstoće betonskih jezgri. Primjena nerazornog postupka kojim se ne oštećuje analizirana konstrukcija je dugotrajna, a na tumačenje rezultata utječu brojni faktori. Stoga je, radi definiranja regresije između brzine ultrazvučnih impulsa i tlačne čvrstoće betonskih jezgri, razvijen empirijski odnos zasnovan na primjeni modela umjetnih neuronskih mreža. Ispitivanja su provedena na armiranobetonskim valjcima pri različitim kutovima usmjerenja armature (0°, 45° i 90°). Ispitivanja su provedena eksperimentalnim planiranjem pomoću Box-Behnkenovog modela. Dobiveni rezultati analizirani su postupkom učenja pomoću Levenberg-Marquardtovog modela povratnog prostiranja sa skrivenim slojevima. Rezultati pokazuju da je predviđanje tlačne čvrstoće mješavina točnije za dvorazinski faktorski plan s R2 = 0,897, a ustanovljeno je da suma kvadratne pogreške iznosi 0,9968. ; The proposed work deals with the use of Ultrasonic pulse velocity technique as an alternative method to identify compressive strength of the core concrete. The use of non-destructive technique without causing damages to the structure is tedious with interpretation of results influenced by various factors. Hence, an empirical relationship is developed using artificial neural network model for creating a regression between pulse velocity and compressive strength of concrete core specimens. Tests were conducted on reinforced concrete cylinders at various orientation angles (0°, 45°, 90°). The tests were conducted based on the design of experiment using the Box-Behnken model. These results were trained using the Levenberg-Marquardt back propagation model with hidden layers. Results indicate that the prediction of core compressive strength for the grade mixes is nearer for the two-level factorial design with R2 = 0.897, and the sum of squared error is found to be 0.9968.
Ocjena čvrstoće betonskih jezgri pomoću umjetnih neuronskih mreža ; Assessment of core strength of concrete by artificial neural networks
U ovom se radu koristi postupak baziran na brzini ultrazvučnih impulsa kao alternativna metoda za određivanje tlačne čvrstoće betonskih jezgri. Primjena nerazornog postupka kojim se ne oštećuje analizirana konstrukcija je dugotrajna, a na tumačenje rezultata utječu brojni faktori. Stoga je, radi definiranja regresije između brzine ultrazvučnih impulsa i tlačne čvrstoće betonskih jezgri, razvijen empirijski odnos zasnovan na primjeni modela umjetnih neuronskih mreža. Ispitivanja su provedena na armiranobetonskim valjcima pri različitim kutovima usmjerenja armature (0°, 45° i 90°). Ispitivanja su provedena eksperimentalnim planiranjem pomoću Box-Behnkenovog modela. Dobiveni rezultati analizirani su postupkom učenja pomoću Levenberg-Marquardtovog modela povratnog prostiranja sa skrivenim slojevima. Rezultati pokazuju da je predviđanje tlačne čvrstoće mješavina točnije za dvorazinski faktorski plan s R2 = 0,897, a ustanovljeno je da suma kvadratne pogreške iznosi 0,9968. ; The proposed work deals with the use of Ultrasonic pulse velocity technique as an alternative method to identify compressive strength of the core concrete. The use of non-destructive technique without causing damages to the structure is tedious with interpretation of results influenced by various factors. Hence, an empirical relationship is developed using artificial neural network model for creating a regression between pulse velocity and compressive strength of concrete core specimens. Tests were conducted on reinforced concrete cylinders at various orientation angles (0°, 45°, 90°). The tests were conducted based on the design of experiment using the Box-Behnken model. These results were trained using the Levenberg-Marquardt back propagation model with hidden layers. Results indicate that the prediction of core compressive strength for the grade mixes is nearer for the two-level factorial design with R2 = 0.897, and the sum of squared error is found to be 0.9968.
Ocjena čvrstoće betonskih jezgri pomoću umjetnih neuronskih mreža ; Assessment of core strength of concrete by artificial neural networks
Stephenson, Herald Lessly (author) / Rajendran, Senthil (author)
2021-01-01
Građevinar ; ISSN 0350-2465 (Print) ; ISSN 1333-9095 (Online) ; Volume 73 ; Issue 10.
Article (Journal)
Electronic Resource
English , Croatian
DDC:
690
Velika geodinamicna mreza Premogovnika Velenje
| British Library Online Contents | 1999