فایل ورد کامل پیش بینی مقاومت فشاری بتن بازیافت شده مبتنی بر یادگیری عمقی

توجه : به همراه فایل word این محصول فایل پاورپوینت (PowerPoint) و اسلاید های آن به صورت هدیه ارائه خواهد شد

این مقاله، ترجمه شده یک مقاله مرجع و معتبر انگلیسی می باشد که به صورت بسیار عالی توسط متخصصین این رشته ترجمه شده است و به صورت فایل ورد (microsoft word) ارائه می گردد

متن داخلی مقاله بسیار عالی، پر محتوا و قابل درک می باشد و شما از استفاده ی آن بسیار لذت خواهید برد. ما عالی بودن این مقاله را تضمین می کنیم

فایل ورد این مقاله بسیار خوب تایپ شده و قابل کپی و ویرایش می باشد و تنظیمات آن نیز به صورت عالی انجام شده است؛ به همراه فایل ورد این مقاله یک فایل پاور پوینت نیز به شما ارئه خواهد شد که دارای یک قالب بسیار زیبا و تنظیمات نمایشی متعدد می باشد

توجه : در صورت مشاهده بهم ریختگی احتمالی در متون زیر ،دلیل ان کپی کردن این مطالب از داخل فایل می باشد و در فایل اصلی فایل ورد کامل پیش بینی مقاومت فشاری بتن بازیافت شده مبتنی بر یادگیری عمقی،به هیچ وجه بهم ریختگی وجود ندارد

تعداد صفحات این فایل: ۲۴ صفحه

چکیده

با در نظر داشتن دشواری های فعلی برای پیش بینی مقاومت فشاری بتن های سنگدانه ای بازیافت شده، این مقاله یک مدل پیش بینی را مبتنی بر نظریه ی یادگیری عمقی ارائه می دهد. نخست، ویژگی های عمقی نسبت آب به سیمان، نسبت جایگذاری سنگدانه های درشت بازیافت شده، نسبت جایگذاری سنگدانه های ریز بازیافت شده ، نسبت جایگذاری خاکستر بادی و ترکیب های آن ها از طریق شبکه های عصبی پیچشی ( کانولوشنی) مشخص می شود. سپس یک مدل پیش بینی با استفاده از رگرسیون سافتمکس ایجاد می شود. مجموعه از بلوک های بتنی با نسبت ترکیب های مختلف در این آزمایش مورد استفاده قرار گرفته است و نتایج نشان می دهد که مدل پیش بینی مبتنی بر یادگیری عمقی ، دقت، کارایی و قابلیت تعمیم بالاتری در مقایسه با روش های متداول مدل های عصبی ایجاد می کند و می توان از آن به عنوان یک روش جدید برای محاسبه ی مقاومت بتن های بازیافت شده، استفاده کرد.

-جمع بندی

به دلیل تغییر در مشخصات RAC ها ، یک رابطه ی غیر خطی بین مقاومت فشاری RAC ها و نسبت های ترکیب آن وجود دارد. ازین رو ، یک مدل پیش بینی مبتنی بر CNN ها در این مقاله ارائه شده است. مدل CNN می تواند با یادگیری عمیق ویژگی های نسبت آب به سیمان ، نسبت جایگذاری سنگدانه های درشت بازیافت شده، نسبت جایگذاری سنگدانه های ریز بازیافت شده ، و نسبت جایگذاری خاکستر بادی ، مقدار مقاومت RAC ها را پیش بینی کند . برای اثبات ظرفیت روش پیشنهاد شده، مجموعه از بلوک های بتن ساخت و ساز با ترکیب های مختلف در آزمایش استفاده شد. نتایج نشان می دهد که مدل پیش بینی مبتنی بر روش یادگیری عمقی مزیت هایی از جمله دقت بالاتر، کارایی بالاتر و حالت تعمیم بهتر در مقایسه با مدل های شبکه های عصبی متداول دارد.

عنوان انگلیسی:Compressive strength prediction of recycled concrete based on deep learning~~en~~

Abstract

Considering on the current difficulties of predicting the compressive strength of recycled aggregate concrete, this paper proposes a prediction model based on deep learning theory. First, the deep features of water-cement ratio, recycled coarse aggregate replacement ratio, recycled fine aggregate replacement ratio, fly ash replacement ratio as well as their combinations are learned through a convolutional neural networks. Then, the prediction model is developed using the softmax regression. 74 sets of concrete block masonry with different mix ratios are used in the experiments and the results show that the prediction model based on deep learning exhibits the advantages including higher precision, higher efficiency and higher generalization ability compared with the traditional neural network model, and could be considered as a new method for calculating the strength of recycled concrete.

– Conclusion

Due to the variability in the characteristics of RAC, it is a nonlinear relationship between the compressive strength of RAC and its mixing ratio. Therefore, a predictive model based on CNN is proposed in this paper. The CNN model can predict the strength by learning the deep features of the water-cement ratio, the recycled coarse aggregate replacement ratio, the recycled fine aggregate replacement ratio, the fly ash replacement ratio as well as their combinations. In order to prove the capability of the proposed method, 74 sets of concrete block masonry with different mixing ratios are used in the experiments. The results show that the prediction model based on deep learning exhibits the advantages including higher precision, higher efficiency and higher generalization ability compared with the traditional neural network model.

$$en!!