MERMER TOZU İLE ÜRETİLMİŞ KENDİLİĞİNDEN YERLEŞEN BETONLARIN DAYANIM ÖZELLİKLERİNİN YAPAY SİNİR AĞLARI KULLANILARAK BELİRLENMESİ

Abstract

Yapay sinir ağıları (YSA), genel olarak insan beyninin sinir ağı sistemini taklit eden bir bilgisayar programı ve bir bilgi işleme sistemidir. YSA’ ya dışarıdan verilen bilgiler ile ilgili olaya ait örnekler üzerinde ağı eğiterek problemin modellenmesi sağlanır. Böylelikle, örnekler sayesinde açığa çıkarılmış özellikler üzerinde çeşitli genelleştirmeler yapılarak daha sonra ortaya çıkacak ya da o ana kadar hiç rastlanmamış olaylara da çözümler üretilmektedir. Kendiliğinden Yerleşen Beton (KYB), birçok avantajından dolayı beton sektöründe kullanımı her geçen gün artan, özel bir beton türüdür. KYB’ de mermer tozu gibi atık malzemeler kullanılması ise bu ürünü çevre dostu yapmaktadır. Bu çalışmada, mermer tozu kullanılarak üretilmiş farklı karışım oranlarına sahip KYB karışımlarının, bileşenlerinden yola çıkılarak, beton numunelerinin dayanım özelliklerini tahmin eden bir YSA modellenmeye çalışılmıştır. Karışım oranları YSA’ ya giriş olarak verilmiş ve çıkış olarak 28 günlük basınç dayanımlarının alınması amaçlanmıştır. Çalışma sonucunda başarılı olan YSA modelinin, beton tasarımı için kullanılabilecek yöntemler arasında yer alması amaçlanmıştır.

Keywords

• Yapay Sinir Ağları, Mermer Tozu, Kendiliğinden yerleşen beton, Dayanım

DETERMINATION OF STRENGTH PROPERTIES OF SELF COMPACTING CONCRETE MANUFACTURED WITH MARBLE POWDER BY USING ARTIFICIAL NEURAL NETWORK

Abstract

Artificial neural network (ANN) is generally information processing system and a computer program that imitates human brain’s neural network system. By entering the information from outside, ANN can be trained on examples related to a problem, so that modeling of the problem is provided. Thus, ANN provides solutions for the events that are never experienced. Self-compacting concrete (SCC) is a special concrete type, due to several advantages, usage of SCC is increasing day by day. Besides SCC becomes eco- friendly by using waste materials such as marble powder. In this study, ANN that predicted strength properties of SCC has been modeled with mixture proportions of SCC produced by marble powder. Inputs of the ANN are mixture proportions and output is compressive strength for 28 days. Last of all, ANN has been modeled successfully in this study and it is the aim of this study that ANN can take part in the methods of concrete mix design.

Keywords

• Artificial Neural Networks, Marble Powder, Self-Compacting Concrete, Strength.

References

1. Alyamaç, K.E. (2008). Kendiliğinden Yerleşen Betonun Lineer Olmayan Kırılma Mekaniği Prensipleriyle İncelenmesi. Fırat Üniversitesi Fen Bilimleri Enstitüsü, Doktora tezi, 129s., Elazığ.
2. Beycioğlu, A., Kılınçarslan, Ş., Başyiğit, C., Emiroğlu, M., Akkurt, İ. (2008). Yapay Sinir
3. Ağları İle Ağır Betonların Basınç Dayanımının Tahmini. Fırat Üniversitesi Fen ve Müh.
4. Bil. Dergisi 20 (4), 609-616.
5. Cassa, J., Floridia, G., Souza, A.R., Oliveira, R.T. (1999). Prediction of Concrete Mechanical Behaviour from Data at Lower Ages using Artificial Neural Networks. 0-7803-5489-3/99, IEEE, 381-387s.
6. EFNARC, (2002). Specifications and Guidelines for Self-Compacting Concrete. EFNARC, Association House, 99 West Street, Farnham, UK, www.efnarc.org, ISBN 0 953973344, 32p.
7. Elmas, Ç. (2007). Yapay Zeka Uygulamaları (Yapay Sinir Ağları, Bulanık Mantık, Genetik Algoritma). ISBN 978-975-02-0614-6, Seçkin Yayın Evi, Birinci Baskı, Ankara.
8. Güneyisi, E., Gesoğlu, M., Özturan, T., Özbay, E. (2009). Estimation of Chloride Permeability of Concretes by Empirical Modeling: Considering Effects of Cement Type, Curing Condition and Age. Construction and Building Materials 23, 469–481.

9. Öztemel, E. (2003). Yapay Sinir Ağları. Papatya Yayıncılık, ISBN 975-67-97-39-8, İstanbul.
10. İnce, R. (2004). Prediction of Fracture Parameters of Concrete by Artificial Neural Networks. Engineering Fracture Mechanics, Vol. 71 (2004) 2143–2159.
11. Sahin, M., Shenoi, R.A. (2003). Qualification and Localisation of Damage in Beam-Like Structures by Using Artificial Neural Network With Experimental Validation. Engineering Structures, 25,1597-1610.
12. Yaprak, H., Karacı, A. (2009). Polipropilen Lifli Betonların Yüksek Sıcaklık Sonrası Basınç Dayanımlarının Yapay Sinir Ağları ile Tahmini. Int.Journal Engineering Research & Development, Vol.1, No.2.