Kademeli İleri Geri Yayılım ve Gauss Fonksiyon Modelleri ile Pomza ve Diatomit İçeren Çimento Harçlarının Basınç Dayanımlarının Tahmini

Year 2023, Volume: 11 Issue: 2, 682 - 698, 30.04.2023

Uğur Güvenç , Burak Koçak

https://doi.org/10.29130/dubited.1106267

Abstract

Bu çalışmada, yapay sinir ağı (YSA) ve uyarlamalı ağ tabanlı bulanık çıkarım sistemi (ANFIS) ile pomza ve diyatomit içerikli çimento harçlarının basınç dayanımlarının tahmini yapılmıştır. YSA için kademeli ileri geri yayılım algoritması, ANFIS için ise Gauss üyelik fonksiyonu tercih edilmiştir. Modellerin oluşturulmasında toplam 7 tip çimento ile üretilen harçların 2., 7., 28. ve 90. hidratasyon günlerinde belirlenen basınç dayanım sonuçları kullanılmıştır. Modellerin eğitim ve test süreçlerinde; 5 giriş (hidratasyon günü, Portland çimento, pomza, diatomit, su) ve 1 çıkış (basınç dayanımı) parametresi kullanılmıştır. Deney sonuçlarıyla modelden elde edilen sonuçların karşılaştırılması R2, MAPE ve RMSE gibi istatistiksel yöntemlerle gerçekleştirilmiştir. Elde edilen veriler, YSA modeli ile elde edilen sonuçların tüm hidratasyon günleri için hemen hemen gerçek değerlere ulaşıldığını ve bu modelin başarılı bir tahmin modeli olduğunu göstermektedir.

Keywords

ANN, ANFIS, pomza, diatomit, basınç dayanımı

Thanks

Yazarlar, bu modelde kullanılmak üzere doktora çalışmasına ait olan deneysel verilerini paylaşan Yılmaz Koçak ve İbrahim Pınarcıya teşekkür ederler.

Estimation of Compressive Strengths of Pumice-and Diatomite-Containing Cement Mortars with Cascade Forward Back Propagation and Gaussian Function Models

Abstract

In this study, compressive strengths of pumice-and diatomite-containing cement mortars were estimated by artificial neural network (ANN) and adaptive neuro-fuzzy inference system (ANFIS). Cascade forward back propagation algorithm for ANN and Gaussian membership function for ANFIS are preferred. In the creation of models, the compressive strengths of the mortars produced with a total of 7 types of cement on the 2nd, 7th, 28th and 90th days were used. During the training and testing stages of the models; 5 input (hydration day, Portland cement, pumice, diatomite and water) and 1 output (compressive strength) parameters are used. The comparison of the experimental results with the results obtained from the model was carried out with statistical methods such as R2, MAPE and RMSE. The data obtained show that the results obtained with the ANN model almost reach the real values for all hydration days, and this model is a successful prediction model.

Keywords

ANN, ANFIS, pumice, diatomite, compressive strength

References

• [1] M. Sarıdemir, “Prediction of compressive strength of concretes containing metakaolin and silica fume by artificial neural networks”, Advances in Engineering Software, vol. 40, no. 5, pp. 350-355, 2009.
• [2] E. Adesanya, A. Aladejare, A. Adediran, A. Lawal and M. Illikainen, “Predicting shrinkage of alkali-activated blast furnace-fly ash mortars using artificial neural network (ANN)”, Cement and Concrete Composites, vol. 124, no. 104265, 2021.
• [3] P. B. Sakthivel, A. Ravichandran and N. Alagumurthi, “Modelling and prediction of flexural strength of hybrid mesh and fiber reinforced cement-based composites using Artificial Neural Network (YSA)”, International Journal of Geomate, vol. 10, no. 19, pp. 1623-1635, 2016. [4] Armaghani, D. J., and Asteris, P. G. (2021). A comparative study of YSA and ANFIS models for the prediction of cement-based mortar materials compressive strength. Neural Computing and Applications, vol. 33, no. 9, pp. 4501-4532.
• [5] Ozcan, G., Kocak, Y., and Gulbandilar, E. (2018). Compressive strength estimation of concrete containing zeolite and diatomite: an expert system implementation. Computers and Concrete, vol. 21, no. 1, pp. 21-30.
• [6] E. M. Golafshani, A. Behnood and M. Arashpour, “Predicting the compressive strength of normal and High-Performance Concretes using ANN and ANFIS hybridized with Grey Wolf Optimizer”, Construction and Building Materials, vol. 232, no. 117266, 2020.
• [7] M. J. Moradi, M. Khaleghi, J. Salimi, V. Farhangi and A. M. Ramezanianpour, “Predicting the compressive strength of concrete containing metakaolin with different properties using ANN”, Measurement, vol. 183, no. 109790, 2021.
• [8] M. Ahmad, K. Rashid, Z. Tariq and M. Ju, “Utilization of a novel artificial intelligence technique (ANFIS) to predict the compressive strength of fly ash-based geopolymer”, Construction and Building Materials, vol. 301, no. 124251, 2021.
• [9] M. I. Waris, V. Plevris, J. Mir, N. Chairman and A. Ahmad, “An alternative approach for measuring the mechanical properties of hybrid concrete through image processing and machine learning”, Construction and Building Materials, vol. 328, no. 126899, 2022.
• [10] Z. Pei and Y. Wei, “Prediction of the bond strength of FRP-to-concrete under direct tension by ACO-based ANFIS approach”, Composite Structures, vol. 282, no. 115070, 2022.
• [11] U. K. Sevim, H. H. Bilgic, O. F. Cansiz, M. Ozturk and C. D. Atis, “Compressive strength prediction models for cementitious composites with fly ash using machine learning techniques”, Construction and Building Materials, vol. 271, no. 121584, 2021.
• [12] T. Bhavani Chowdary and V. Ranga Rao, “Design and Analysis of Lightweight Alkali-Activated Slag and Fly Ash Geopolymer Mortars using ANFIS-SSO”, Iranian Journal of Science and Technology, Transactions of Civil Engineering, pp. 1-14. 2021.
• [13] Çimento- Bölüm 1: Genel Çimentolar Bileşim, Özellikler ve Uygunluk Kriterleri, Türk Standartlar Enstitüsü, TS EN 197-1, 2012.
• [14] Çimento deney metotları - Bölüm 1: Dayanım tayini, Türk Standartlar Enstitüsü, TS EN 196–1, 2016.
• [15] I. Mansouri and O. Kisi, “Prediction of debonding strength for masonry elements retrofitted with FRP composites using neuro fuzzy and neural network approaches”, Composites Part B: Engineering, vol. 70, pp. 247-255, 2015.
• [16] M. H. Atasoy, Beton basınç problemlerinin çözümlerinde SPSS ve YSA kullanılması. Yüksek Lisans Tezi, Matematik, Gaziantep Üniversitesi, Gaziantep, Türkiye, 2015.
• [17] F. Bayır, Yapay sinir ağları ve tahmin modellemesi üzerine bir uygulama. Yüksek Lisans Tezi, İşletme, İstanbul Üniversitesi, İstanbul, Türkiye, 2006.
• [18] K. K. Çevik and E. Dandıl, “Yapay sinir ağları için net platformunda görsel bir eğitim yazılımının geliştirilmesi”, Bilişim Teknolojileri Dergisi, c. 5, s. 1, ss. 19-28. (2012).
• [19] E. Gulbandilar and Y. Kocak, “Application of expert systems in prediction of flexural strength of cement mortars”, Computers and Concrete, vol. 18, no. 1, pp. 1-16, 2016.
• [20] S.B. Özen, “Kaski atık su arıtma verilerinin yapay sinir ağları ve bulanık mantık yöntemleri ile tahmin edilmesi”, Yüksek Lisans Tezi, İnşaat Mühendisliği, Erciyes Üniversitesi, Kayseri, Türkiye, 2018.
• [21] A. Shohda, M. A. Ali, G. Ren, J. G. Kim and M. A. E. H. Mohamed, “Application of Cascade Forward Backpropagation Neural Networks for Selecting Mining Methods”, Sustainability, vol. Vol. 14, no. 635, 1-14, 2022.
• [22] D. S. Badde, A. K. Gupta and V. K. Patki, “Cascade and feed forward back propagation artificial neural network models for prediction of compressive strength of ready mix concrete”, IOSR Journal of Mechanical and Civil Engineering, vol. 3, no. 1, pp. 1-6, 2013.
• [23] Temel R. (2017). Uçak Kara Kutusundan Alınan Veriler Kullanılarak Hücum Açısı Ve Mach Sayısının YSA ve ANFIS ile Tahmini. Yüksek Lisans Tezi, Sivil Havacılık, Erciyes Üniversitesi, Kayseri, Türkiye, 2017.
• [24] K. A. Aali, M. Parsinejad and B. Rahmani, “Estimation of Saturation Percentage of Soil Using Multiple Regression, YSA, and ANFIS Techniques”, Computer and Information Science, vol. 2, no. 3, pp. 127-136, 2009.
• [25] J. S. Jang, “Input selection for ANFIS learning”, In Proceedings of IEEE 5th International Fuzzy Systems, vol. 2, pp. 1493-1499, New Orleans, LA, USA, 1996.
• [26] R. Acar, “Akarsulardaki Sediment Taşınımının Yapay Zekâ Uygulamaları Kullanılarak Tespiti”, Yüksek Lisans Tezi, İnşaat Mühendisliği, Süleyman Demirel Üniversitesi, Isparta, Türkiye, 2019.