Prediction of Tensile Strength of Paving Stone Produced by Rebound Materials Using Artificial Neural Network Method

Abstract

In today numerical methods developing parallel with the development of computer technology widely used in the estimation of test results. One these methods Artificial Neural Networks (ANN), which is a sub-branch of artificial intelligence method. In this study, tensile strength values of paving stone produced by rebound material was developed a model to predict using ANN. In study, 29 unit paving stone samples were produced using the rebound material during shotcrete applications in order to determine the tensile strength of the paving stone. On the produced paving stone samples were made abrasion resistance tests. The performance of the developed ANN model to predict the values of tensile strength was evaluated by the correlation coefficient and average absolute error values.As a result, when evaluating the performance of the ANN model developed, has been shown usable in the tensile strength of the paving stones of ANN approach

Keywords

• Dry Mix Shotcrete
• Paving Stone
• Tensile Strength
• Artificial Neural Networks

Geri Seken Malzeme İle Üretilmiş Parke Taşlarının Aşınma Dayanımlarının Yapay Sinir Ağları Yöntemi İle Tahmin Edilmesi

Abstract

Günümüz bilgisayar teknolojisindeki gelişmelere paralel olarak gelişen sayısal yöntemler deney sonuçlarının tahmininde yaygın olarak kullanılmaktadır. Bu yöntemlerden biri de yapay zekanın bir alt dalı olan Yapay Sinir Ağları (YSA) yöntemidir. Bu çalışmada, geri seken malzeme ile üretilen parke taşlarının aşınma dayanımı değerlerini yapay sinir ağları (YSA) kullanılarak tahmin edebilecek bir model geliştirilmiştir. Çalışmada, parke taşlarının aşınma dayanımlarının belirlenebilmesi için püskürtme beton uygulaması esnasında geri seken malzeme kullanılarak 3 adet parke taşı numunesi üretilmiştir. Üretilen parke taşı numunelerine aşınma dayanımı deneyleri yapılmıştır. Deneysel olarak bulunan sonuçların yapay sinir ağları (YSA) kullanılarak bulunması amaçlanmıştır. Sonuç olarak geliştirilen YSA yaklaşımı ile deneysel olarak elde edilmiş veriler karşılaştırıldığında değerlerin birbirine yakın olduğu görülmüştür.

Keywords

• Kuru Karışım
• Püskürtme Beton
• Parke Taşı
• Çekme Dayanımı
• Yapay Sinir Ağları

References

1. Albayrak, S., Çavdar, A., ve Bingöl, Ş., 2013. Beton Basınç Dayanımının Yapay Sinir Ağları İle Tahmini, http://e-arsiv.gumushane.edu.tr/xmlui/handle/
2. 123456789/245, iseaia 2013, KKTC. Erişim Tarihi: 02.01.2015.
3. Ashrafi, H.R., Jalal, M. ve Garmsiri, K., 2010. Prediction of Load–Displacement Curve of Concrete Reinforced by Composite Fibers (Steel and Polymeric) Using Artificial Neural Network, Expert Systems with Applications 37 (2010), 7663–7668pp.
4. Bal, L. ve Buyle-Bodin, F., 2013. Artificial Neural Network for Predicting Drying Shrinkage of Concrete, Construction and Building Materials 38 (2013), 248– 254pp.
5. Bilim, C., Atiş, C.D., Tanyıldızı, H., ve Karahan, O., 2009. Predicting The Compressive Strength of Ground Granulated Blast Furnace Slag Concrete Using Artificial Neural Network, Advances in Engineering Software 40 (2009), 334–340pp.
6. Çakıroğlu, M.A., Terzi, S., ve Çakıroğlu, M.G., 2009. Püskürtme Betonda Görülen Problemler, Yapı Teknolojileri
7. Araştırmalar, (5)2, 43-49. Dergisi,
8. Teknolojik Çankaya, G., Arslan, H.M. ve Ceylan, M., 2013. Görüntü İşleme ve Yapay Sinir Ağları Yöntemleri İle Betonun Basınç Dayanımının Belirlenmesi, Selçuk Üniversitesi Mühendislik Bilim ve Teknoloji Dergisi (1) 1s., ISSN: 2147-9364 (Elektronik).

9. Deshpande, N., Londhe, S.,ve Kulkarni, S., 2014. Modeling Compressive Strength of Recycled Aggregate Concrete by Artificial Neural Network, Model Tree and Non-linear Regression, International Journal of Sustainable Built Environment (2014) 3, 187–198pp.
10. Duan, Z.H., Kou, S.C., ve Poon, C.S., 2013. Using Artificial Neural Networks for Predicting The Elastic Modulus
11. Construction and Building Materials 44 (2013) 524– 532pp. Aggregate
12. Concrete, Elshafey, A.A., Dawood,N., Marzouk, H.,ve Haddara, M., 2013. Predicting of Crack Spacing for Concrete by Using Neural Networks, Engineering Failure Analysis 31 (2013) 344–359pp.
13. Kewalramani, M.A. ve Gupta, R., 2006. Concrete Compressive Strength Prediction Using Ultrasonic Pulse Velocity Through Artificial Neural Networks, Automation in Construction 15 (2006) 374 – 379pp.
14. Lee, S. ve Lee, C., 2014. Prediction of Shear Strength of FRP-Reinforced Concrete Flexural Members Without Stirrups Using Artificial Neural Networks, Engineering Structures 61 (2014) 99–112pp.
15. Morova, N. ve Terzi, S. 2011. NWSA, e-Journal of New World Sciences Academy 2011, Volume: 6, Number: 1, Article Number: 1A0170, ISSN : 1308-7231, 486- 496s.
16. Özturan, T., 2013. Özel Betonlar, BETON 2013, Hazır Beton Kongresi Çağrılı Bildirileri, 21-23 Şubat 2013, İstanbul.
17. Parichatprecha, R. ve Nimityongskul, P., 2009. Analysis of Durability of High Performance Concrete Using Artificial Neural Networks, Construction and Building Materials 23 (2009) 910–917pp.
18. Subaşı, S., Beycioğlu, A., ve Emiroğlu, M., 2009. Beton Mekanik Özelliklerinin Taze Beton Özelliklerinden Yararlanılarak Yapay Sinir Ağları İle Tahmini, Eskişehir Osmangazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, (22)3, 147-155 s.
19. Terzi, Ö., ve Keskin, M.E., 2005. Yapay Sinir Ağları Yaklaşımı Kullanılarak Günlük Tava Buharlaşması Tahmini, Teknik Dergi, 16 (4), 3683-3693.
20. Topçu, B.İ., Uygunoğlu, T. ve İnce, H.H., 2010. Hafif Beton Basınç Dayanımının Yapay Sinir Ağlarıyla Tahmini, Yapı Teknolojileri Elektronik Dergisi, (6)1, 19-29s., e-ISSN:1305-631X.
21. Topçu, İ.B. ve Sarıdemir, M., 2008. Prediction of Mechanical Properties of Recycled Aggregate Concretes Containing Silica Fume Using Artificial Neural Networks and Fuzzy Logic, ScienceDirect, Computational Materials Science 42 (2008) 74–82pp. TS 2824 EN 1338, 2005. Zemin Döşemesi için Beton Kaplama Blokları-Gerekli Şartlar ve Deney Metotları, Türk Standartları Enstitüsü, Ankara.
22. TÜBİTAK 111M335, 2013. Düzlem Dışı Yüklenen Yığma Yapıların Polipropilen Lifli Kuru Karışım Püskürtme Betonla Güçlendirilmesi, Proje No: 111M335, Proje Araştırmacıları: Çakıroğlu, A.M., Tekeli, H., ve İnce, G., Isparta.
23. Uygunoğlu, T., ve Yurtçu, Ş., 2006. Yapay Zeka Tekniklerinin İnşaat Mühendisliği Problemlerinde Kullanımı, Yapı Teknolojileri Elektronik Dergisi, Teknolojik Araştırmalar, ISSN:1305-631X, (1), 61- 70s.
24. Yaprak, H. ve Karacı, A., 2009. Polipropilen Lifli Betonların Yüksek Sıcaklık Sonrası Basınç Dayanımlarının Yapay Sinir Ağları ile Tahmini, International Journal of Engineering Research and Development, (1) 2.
25. Yadollahi, M.M., Demirboğa, R., Polat, R., Karagöl, F. ve Kaygusuz, M.A., 2011. Yapay Sinir Ağları Yöntemi İle Betonun Elastik ve Kayma Modüllerinin Bulunması, I. Ulusal Ege Kompozit Malzemeler Sempozyumu, İzmir.
26. Yıldız, S., Bölükbaş, ve Y, Keleştemur, O., 2011a. Cam Elyaf
27. Dayanımlarının Yapay Sinir Ağları İle Tahmini, 6th International Advanced Technologies Symposium (IATS’11), 16-18 May 2011, 50-54 s., Elazığ.
28. Çekme Yıldız, T., Yıldız, S., Keleştemur, O., Bölükbaş, Y., ve Demirel, B., 2011b. Yapay Sinir Ağları İle Atık Mermer Tozu ve Cam Lif Katkılı Betonların Yarmada Çekme Dayanımlarının Tahmini, e-Journal of New World Sciences Academy, ISSN:1306-3111, Volume: 6, Number: 4, Article Number: 1A0256, 1498-1508s.