فایل ورد کامل پیش بینی استحکام فشاری بتن حاوی خاکستر به وسیله شبکه های عصبی مصنوعی (ANN) و منطق فازی

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 استحکام فشاری بتن حاوی خاکستر به وسیله شبکه های عصبی مصنوعی (ANN) و منطق فازی،به هیچ وجه بهم ریختگی وجود ندارد

تعداد صفحات این فایل: ۱۸ صفحه

۵ نتیجه گیری ب

رای تخمین مقادیر مقاومت فشاری ۷،۲۸ و ۹۰ روزه بتن های حاوی FA کم-آهک و پر-آهک، بدون هیچگونه تلاش آزمایشگاهی، مدل های شبکه عصبی مصنوعی و منطق فازی ساخته شدند. مدل ها با داده های ورودی و خروجی آموزش داده شده اند. تنها با استفاده از داده ورودی در مدل های آموزش داده شده، مقادیر مقاومت فشاری ۷،۲۸ و ۹۰ روزه بتن حاوی خاکستر بادی، تخمین زده شد. مقادیر بدست آمده بسیار به نتایج تجربی بدست آمده از آموزش و تست برای مدل های شبکه های عصبی مصنوعی و منطق فازی، نزدیک است. مقادیر آماری RMS، R2 و MAPE که برای مقایسه نتایج آزمایشگاهی با نتایج مدل های YSA و BM این موقعیت را نشان داده اند. به عنوان یک نتیجه، مقادیر مقاومت فشاری بتن با خاکستر بادی را می توان در مدل های شبکه عصبی مصنوعی و منطق فازی بدون هیچگونه تلاش آزمایشگاهی در یک دوره بسیار کوتاه زمان با نرخ خطای اندک، تخمین زد. این نتایج نشان می دهند که شبکه عصبی مصنوعی و منطق فازی روش های قابل تخمینی برای پیش بینی مقادیر مقاومت بتن هستند.

عنوان انگلیسی:Prediction of compressive strength of concrete containing fly ash using artificial neural networks and fuzzy logic~~en~~

۵ ConcJusions

In order to predict the 7, 28 and 90 days compressive strength values of concrete containing high-lime and lowlime FA without attempting any experiments were constructed models in artificial neural networks and fuzzy logic methods. The models were trained with input and output data. Using only the input data in trained models the 7, 28 and 90 days compressive strength values of concrete containing Hy ash was predicted. The values are very closer to the experimental results obtained from training and testing for artificial neural networks and fuzzy logic models. RMS, R2 and MAPE statistical values that calculated for comparing experimental results with YSA and BM model results have shown this situation. As a result, compressive strength values of the Hy ash concretes can be predicted in artificial neural networks and fuzzy logic models without attempting any experiments in a quite short period of time with tiny error rates. These conclusions have shown that artificial neural networks and fuzzy logic are practicable methods for predicting compressive strength values of concrete.

$$en!!