Polimerik Atıklar İçeren Betonun Ultrason Hızının ve Dinamik Elastisite Modülünün Çok Yanıtlı Eniyilenmesi

Year 2017, Volume: 20 Issue: 4, 1009 - 1017, 20.12.2017

Barış Şimşek Tayfun Uygunoğlu

https://doi.org/10.2339/politeknik.369924

Cited By: 1

Abstract

Bu çalışmada polimerik atıklar içeren
betonun ultrason hızı ve elastisite modülü özelikleri üzerindeki etken etkileri
çok değişkenli regresyon çözümlemesi ile çözümlendi. Her biri üç seviyeye sahip yedi polimer;
yüksek yoğunluklu polietilen, düşük yoğunluklu polietilen, polipropilen,
termoplastik elastomer, dimetil teraftalat, polietilen teraftalat, polietilen
naftalat ve deneylerin tasarımında (L₂₇)  ortogonal dizini seçildi. Ultrason hızı
üzerinde azaltıcı etkiye sahip polimerler sırası ile 0.000, 0.009, 0.007, 0.008
ve 0.001 p‑değerleri ile yüksek yoğunluklu polietilen, düşük yoğunluklu
polietilen, termoplastik elastomer, polietilen teraftalat ve polietilen
naftalat olarak belirlendi. Dinamik elastisite modülü üzerinde azaltıcı etkiye
sahip polimerler ise, sırasıyla,0,001, 0.002 ve 0.001 p‑değerleri ile yüksek
yoğunluklu polietilen, polipropilen ve polietilen naftalat olarak belirlendi.
Polimerik atıklar içeren betonun optimal karışım oranları doğrusal regresyon
modelleri tabanlı çok yanıtlı doğrusal programlama yöntemiyle belirlendi.
Optimal karışım oranları ile gerçekleştirilen doğrulama deneyi, çok yanıtlı
doğrusal programlama yönteminin beton bileşimi eniyileme problemlerini çözmede
etkili biçimde kullanılabileceğini göstermektedir.

Keywords

Beton, regresyon analizi, çok yanıtlı doğrusal programlama, taguchi tasarımı, polimerik atıklar

References

• [1] Yang L., Liu S., Tsoka S. and Papageorgiou G., “Mathematical programming for piece wise linear regression analysis”, Expert Systems With Applications, 44: 156-167, (2016). [2] Kone E.R.S. and Karwan M. H., “Combining a new data classification Technique and regression analysis to predict the cost-to-serve new customers”, Computer and Industrial Engineering, 61 (1): 184-197, (2011). [3] Pan J., Kung P., Bretholt A. And Lu J., “Prediction of energy’s environmental impactusing a three variable time series model”, Expert Systems With Applications, 41 (4): 1031-1040, (2014). [4] Chen L., Zhao Y., Zhang J. and Zhong Zou J.,“Automatic detection of alertness/drowsiness from physiological signals using wavelet-based nonlinear features and machine learning”, Expert Systems With Applications, 42 (21): 7344-7355, (2015). [5] Uludamar E., Tosun E. and Aydın K.,“Experimental and regression analysis of noise and vibration of a compression ignition engine fuelled with various biodiesels”, Fuel, 177: 326-333, (2016). [6] Xie Q., Wang S., Zhu J. and Zhang X., “Modeling and predicting AD progression by regression analysis of sequential clinical data”, Neurocomputing, 195: 50-55, 2016. [7] Kaytez F., Taplamacıoğlu M. C., Cam E. and Hardalac F., “Forecasting electricity consumption: a comparison of regression analysis, neural networks and least squares support vector machines”, Electrical Power and Energy Systems, 67: 431-438, (2015). [8] Chithra S., Senthil Kumar S.R.R., Chinnaraju K. and Alfin Ashmta F.,“A comparative study on the compressive strength prediction models for High Performance Concrete containing nano silica and copper slag using regression analysis and Artificial Neural Networks”, Construction and Building Materials, 114: 528-535, (2016). [9] Viana F.A.C.,Simpson T.W., Balabanov V. and Toropov V.,“Metamodeling in multi disciplinary design optimization: how far have we all come”, American Institute of Aeronautics and Astronautics, 52 (4): 670–690, (2014). [10] Toufigh V., Hosseinali M. and Shirkhorshidi S. M., “Experimental study and constitutive modeling of polymer concrete’s behavior in compression”, Construction and Building Materials, 112: 183-190, (2016). [11] Şimşek B., İç Y.T., Şimşek E.H. and Güvenç A.B.,“Development of a graphical user interface for determining the optimal Mixture parameters of normal weight concretes: A response surface methodology based quadratic programming approach”, Chemometrics and Intelligent Laboratory Systems, 136: 1-9, (2014). [12] Cihan M.T., Güner A. and Yüzer N., “Response surfaces for compressive strength of concrete”, Construction and Building Materials, 40: 763–774, (2013). [13] Güneyisi E., Gesoğlu M., Algın, Z. and Mermerdaş K., “Optimization of concrete Mixture with hybrid blends of metakaolin and fly ash using response surface method”, Composites: Part B, 60: 707–715, (2014). [14] De Munck M., De Sutter S.., Verbruggen S., Tysmans T. and Coelho R.F.,“Multi-objective weight and cost optimization of hybrid composite-concrete beams forecasting electricity consumption: a comparison of regression analysis, neural networks and least square support vector machines”, Composite Structures, 134: 369-377, (2015).
• [15] Jimma B. E. and Rangaraju P.R.,“Chemical admixtures dose optimization in pervious Concrete paste selection – A statistical approach”, Construction and Building Materials, 101: 1047-1058, (2015). [16] Erdoğan T.Y., “Beton”, ODTÜ Geliştirme Vakfı Yayın ve İletişim Şti., Ankara, , (2003). [17] Postacıoğlu B., “Beton: agregalar, beton”, Cilt 2, İstanbul Teknik Üniversitesi, İnşaat Fakültesi, Matbaa Teknisyenleri Basımevi, İstanbul, (1989). [18] Şimşek B., İç Y.T. and Şimşek E.H., “A TOPSIS-based Taguchi optimization to determine optimal mixture proportions of the high strength self-compacting concrete”, Chemometrics and Intelligent Laboratory Systems, 125: 18–32, (2013). [19] Wang S. snd Huang G.H. “A multi-level Taguchi-factorial two-stage stochastic programming Taguchi approach for characterization of parameter uncertainties and their interactions: An application to water resources management”, European Journal of Operational Research, 240 (2): 572–581, (2015). [20] TS EN 197-1, “Çimento - Bölüm 1: Genel çimentolar - Bileşim, özellikler ve uygunluk kriterleri”, (2012). [21] Koç B., Ertekin K.F., “Yanıt Yüzey Yöntemi ve Gıda İşleme Uygulamaları”, Gıda Dergisi, 35 (1): 1-8, (2012). [22] Özkan İ. and Yayla Z., “Evaluation of correlation between physical properties and ultrasonic pulse velocity of fired clay samples”, Ultrasonics, 66: 4-10, (2016). [23] Neville A. M., “Properties of Concrete”, 5th ed., Pearson Education Limited, UK, (2011). [24] TS EN 12390-7, “Beton - Sertleşmiş beton deneyleri - Bölüm 7: Sertleşmiş beton yoğunluğunun tayini”, (2010). [25] Şimşek B., İç Y.T. and Şimşek E.H., ”A RSM-Based Multi-Response Optimization Application for Determining Optimal Mix Proportions of Standard Ready-Mixed Concrete”, Arab J Sci Eng, 41 (4): 1435-1450, (2016). [26] Uyanık O., Gülay F.G. ve Tezcan S., “Beton Dayanımının Tahribatsız Ultrasonik Yöntemle Tayini”, Hazır Beton Dergisi, (2012). [27] Akçaözoğlu S., Akçaözoğlu K. and Atiş C.D., “Thermal conductivity, compressive strength and ultrasonic wave velocity of cementitious composite containing waste PET lightweight aggregate (WPLA)”, Composites Part B: Engineering, 45 (1): 721–726, (2013). [28] Şimşek B. and Uygunoğlu T., ”Multi-response optimization of polymer blended concrete: A TOPSIS based Taguchi application”, Construction and Building Materials, 117: 251–262, (2016). [29] İç Y.T.and Yıldırım S., “Improvement of a product design using multi criteria decision making methods with Taguchi Method”, Journal of the Faculty of Engineering and Architecture of Gazi University, 27 (2): 447-458, (2012).