C16/20, C20/25 ve C25/30 Beton Sınıflarının Basınç Dayanımlarının ANFIS ve YSA ile Tahmini

Yıl 2024, Cilt: 5 Sayı: 2, 37 - 47

Fatma Kars , Gıyasettin Özcan , Eyyüp Gülbandılar , Yılmaz Koçak

https://doi.org/10.53608/estudambilisim.1561094

Öz

Betonun basınç dayanımını tahmin etmek için farklı regresyon yöntemleri, sayısal simülasyon ve yapay zeka tabanlı teknikler gibi farklı yöntemler kullanılmaktadır. Ancak, değişkenler arasındaki karmaşık ve doğrusal olmayan korelasyon, basınç dayanımının doğru olarak tahmin edilmesini oldukça zorlaştırmaktadır. Bu nedenle yapılan her çalışmanın literatüre katkı sağladığı ve beton basınç dayanımlarının tahmininde önemli rol oynadığı düşünülmektedir. Bu amaçla yapılan çalışmada, C16/20, C20/25 ve C25/30 beton sınıflarına ait tasarım parametreleri giriş olarak kullanılarak bir ANFIS ve bir YSA modeliyle bu betonların basınç dayanımları tahmin edilmeye çalışılmıştır. Modeller oluşturulurken ANFIS için Gauss, YSA için ileri beslemeli geri yayılımlı bir sinir ağı modeli tercih edilmiştir. Çalışmada her bir beton sınıfı için 20 ayrı beton dökümünden elde edilen 80 basınç dayanımı sonucu olmak üzere toplam 240 veri kullanılmıştır. Bu verilerin %70’i eğitim için kullanılırken, %30’u test için ayrılmıştır. Modelden tahmin edilen sonuçların güvenilirliği gösterebilmek için R2, MAPE ve RMSE istatiksel yöntemlerinden yararlanılmıştır. Elde edilen sonuçlara göre, YSA ile C16/20, C20/25 ve C25/30 beton sınıflarının basınç dayanımlarının 7 gün için sırasıyla -%0.70, %1.25 ve %0.17 oranında hatayla; 28 gün için sırasıyla %0.99, %0.03 ve -%0.69 oranında hatayla tahmin edilebildiği belirlenmiştir. ANFIS ile C16/20, C20/25 ve C25/30 beton sınıflarının basınç dayanımlarının 7 gün için sırasıyla %0.11, %0.56 ve %0.58 oranında hatayla; 28 gün için sırasıyla %0.80, %0.36 ve %0.70 oranında hatayla tahmin edilebildiği belirlenmiştir. Sonuç olarak deneylerden elde edilen sonuçlar ile tahmin sonuçları arasında iyi bir uyum olduğu ve ANFIS ve YSA ile oluşturulan modellerle “çok iyi” veya “yüksek doğruluk derecesinde” tahmin yapılabileceği kanaatine varılmıştır.

Anahtar Kelimeler

Beton, Basınç dayanımı, ANFIS, YSA

Prediction of Compressive Strength of C16/20, C20/25 and C25/30 Concrete Classes by ANFIS and ANN

Öz

Different methods such as different regression methods, numerical simulation and artificial intelligence-based techniques are used to predict the compressive strength of concrete. However, the complex and non-linear correlation between the variables makes it very difficult to predict the compressive strength accurately. Therefore, it is thought that each study contributes to the literature and plays an important role in the prediction of concrete compressive strengths. In this study, the design parameters of concrete classes C16/20, C20/25 and C25/30 were used as input and the compressive strengths of these concretes were predicted with an ANFIS and an ANN model. Gaussian model for ANFIS and a feed-forward back-propagation neural network model for ANN were preferred. A total of 240 data, including 80 compressive strength results obtained from 20 separate concrete castings for each concrete class, were used in the study. While 70% of this data is used for training, 30% is reserved for testing. In order to demonstrate the reliability of the results estimated from the model, R2, MAPE and RMSE statistical methods were utilized. According to the results obtained, it was determined that the compressive strengths of concrete classes C16/20, C20/25 and C25/30 could be predicted by ANN with errors of -0.70%, 1.25% and 0.17% for 7 days and 0.99%, 0.03% and -0.69% for 28 days, respectively. It was determined that the compressive strengths of concrete classes C16/20, C20/25 and C25/30 could be predicted by ANFIS with errors of 0.11%, 0.56% and 0.58% for 7 days and 0.80%, 0.36% and 0.70% for 28 days, respectively. As a result, it is concluded that there is a good agreement between the results obtained from the experiments and the prediction results and that ‘very good’ or ‘high accuracy’ prediction can be made with the models built with ANFIS and ANN.

Anahtar Kelimeler

Concrete, Compressive strength, ANFIS, YSA

Kaynakça

• Erdoğan, T. Y. 2010. Beton, 2. Baskı, Orta Doğu Teknik Üniversitesi Geliştirme Vakfı Yayıncılık ve İletişim A.Ş., Ankara, Türkiye.
• Neville, A. M. 2006. Proporties of concrete, 4. Baskı, Pearson Education Limited, England.
• Ban, C. C., Kang, S. Y., Siddique, R., Tangchirapat, W. 2023. Properties of ultra-high performance concrete and conventional concrete with coal bottom ash as aggregate replacement and nanoadditives: A review. Reviews on Advanced Materials Science, 62(1), 20220323. https://doi.org/10.1515/rams-2022-0323
• Ali, T., Buller, A. S., Abro, F. U. R., Ahmed, Z., Shabbir, S., Lashari, A. R., Hussain, G. 2022. Investigation on mechanical and durability properties of concrete mixed with silica fume as cementitious material and coal bottom ash as fine aggregate replacement material. Buildings, 12(1), 44. https://doi.org/10.3390/buildings12010044
• Ünal, O. Yurtcu, Ş. 2007. Betonarme Yapılarda Hazır Beton Kullanımı. Yapı Teknolojileri Elektronik Dergisi, 3(1), 51-64.
• Yin, J., Huang, R., Sun, H., Lin, T. 2023. A collaborative scheduling model for production and transportation of ready-mixed concrete. Mathematical Biosciences and Engineering, 20(4), 7387-7406. https://doi.org/10.3934/mbe.2023320
• Sealey, B. J., Phillips, P. S., Hill, G. J. 2001. Waste management issues for the UK ready-mixed concrete industry. Resources, Conservation and Recycling, 32(3-4), 321-331. https://doi.org/10.1016/S0921-3449(01)00069-6
• Ergün, A., Başaran, V. 2011. Afyonkarahisar’da Üretilen Hazır Beton Kalitelerinin Değerlendirilmesi. Afyon Kocatepe Üniversitesi Fen ve Mühendislik Bilimleri Dergisi, 10(2), 51-58.
• Chou, J. S., Tjandrakusuma, S., Liu, C. Y. 2022. Jellyfish search-optimized deep learning for compressive strength prediction in images of ready-mixed concrete. Computational Intelligence and Neuroscience, 2022, 9541115. https://doi.org/10.1155/2022/9541115
• Dündar, B., Atabey, İ. İ., Ümit, Y. 2017. Osmaniye İlinde Hazır Beton Santrallerinde Üretilen Beton Kalitelerinin İstatistiksel Olarak Değerlendirilmesi. Selçuk-Teknik Dergisi, 16(2), 71-86.
• Sarıdemir, M. 2009. Prediction of compressive strength of concretes containing metakaolin and silica fume by artificial neural networks. Advances in Engineering Software, 40(5), 350-355. https://doi.org/10.1016/j.advengsoft.2008.05.002
• Maqsoom, A., Aslam, B., Gul, M. E., Ullah, F., Kouzani, A. Z., Mahmud, M. P., Nawaz, A. 2021. Using multivariate regression and ANN models to predict properties of concrete cured under hot weather. Sustainability, 13(18), 10164. https://doi.org/10.3390/su131810164
• Ozcan, G., Kocak, Y., Gulbandilar, E. 2018. Compressive strength estimation of concrete containing zeolite and diatomite: an expert system implementation. Computers and Concrete, 21(1), 21-30.
• Chithra, S., Kumar, S. S., Chinnaraju, K., Ashmita, F. A. 2016. 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. https://doi.org/10.1016/j.conbuildmat.2016.03.214
• Golafshani, E. M., Behnood, A., Arashpour, M. 2020. Predicting the compressive strength of normal and High-Performance Concretes using ANN and ANFIS hybridized with Grey Wolf Optimizer. Construction and Building Materials, 232, 117266. https://doi.org/10.1016/j.conbuildmat.2019.117266
• TS EN 197-1, 2012. Çimento- Bölüm 1: Genel Çimentolar Bileşim, Özellikler ve Uygunluk Kriterleri. Türk Standartları, Ankara, Türkiye.
• TS EN 196-2, 2013. Çimento deney yöntemleri - Bölüm 2: Çimentonun kimyasal analizi. Türk Standartları, Ankara, Türkiye.
• TS EN 196-6, 2020. Çimento deney yöntemleri - Bölüm 6: İncelik tayini. Türk Standartları, Ankara, Türkiye.
• TS EN 196-3, 2017. Çimento deney metotları- Bölüm 3: Priz süresi ve hacim genleşme tayini. Türk Standartları, Ankara, Türkiye.
• TS EN 196-1, 2016. Çimento deney metotları - Bölüm 1: Dayanım tayini. Türk Standartları, Ankara, Türkiye.
• TS EN 1008, 2003. Beton-Karma suyu-Numune alma, deneyler ve beton endüstrisindeki işlemlerden geri kazanılan su dahil, suyun, beton karma suyu olarak uygunluğunun tayini kuralları. Türk Standartları, Ankara, Türkiye.
• TS EN 1097-6, 2013. Agregaların mekanik ve fiziksel özellikleri için deneyler bölüm 6: Tane yoğunluğu ve su emme oranının tayini. Türk Standartları, Ankara, Türkiye.
• TS EN 12390-3, 2010. Beton-Sertleşmiş beton deneyleri-Bölüm 3: Deney numunelerinde basınç dayanımının tayini. Türk Standartları, Ankara, Türkiye.
• Sakthivel, P. B., Ravichandran, A., Alagumurthi, N. 2016. Modeling and prediction of flexural strength of hybrid mesh and fiber reinforced cement-based composites using artificial neural network (ANN). GEOMATE Journal, 10(19), 1623-1635. https://geomatejournal.com/geomate/article/view/1993
• Sevim, U. K., Bilgic, H. H., Cansiz, O. F., Ozturk, M., Atis, C. D. 2021. Compressive strength prediction models for cementitious composites with fly ash using machine learning techniques. Construction and Building Materials, 271, 121584. https://doi.org/10.1016/j.conbuildmat.2020.121584
• Behnood, A., Verian, K. P., Gharehveran, M. M. 2015. Evaluation of the splitting tensile strength in plain and steel fiber-reinforced concrete based on the compressive strength. Construction and Building Materials, 98, 519-529. https://doi.org/10.1016/j.conbuildmat.2015.08.124
• Saradar, A., Nemati, P., Paskiabi, A. S., Moein, M. M., Moez, H., Vishki, E. H. 2020. Prediction of mechanical properties of lightweight basalt fiber reinforced concrete containing silica fume and fly ash: Experimental and numerical assessment. Journal of Building Engineering, 32, 101732. https://doi.org/10.1016/j.jobe.2020.101732
• Waris, M. I., Plevris, V., Mir, J., Chairman, N., Ahmad, A. 2022. An alternative approach for measuring the mechanical properties of hybrid concrete through image processing and machine learning. Construction and Building Materials, 328, 126899. https://doi.org/10.1016/j.conbuildmat.2022.126899
• Kocak, B., Pınarcı, İ., Güvenç, U., Kocak, Y. 2023. Prediction of compressive strengths of pumice-and diatomite-containing cement mortars with artificial intelligence-based applications. Construction and Building Materials, 385, 131516. https://doi.org/10.1016/j.conbuildmat.2023.131516
• Armaghani, D. J., Asteris, P. G. 2021. A comparative study of ANN and ANFIS models for the prediction of cement-based mortar materials compressive strength. Neural Computing and Applications, 33(9), 4501-4532. https://doi.org/10.1007/s00521-020-05244-4
• Buscema, M. 2002. A brief overview and introduction to artificial neural networks. Substance use misuse, 37(8-10), 1093-1148. https://doi.org/10.1081/JA-120004171
• Grossi, E., Buscema, M. 2007. Introduction to artificial neural networks. European journal of gastroenterology hepatology, 19(12), https://doi.org/10.1097/MEG.0b013e3282f198a0
• Kumar, B., Kumar, N. 2024. Forecasting Marshall stability of waste plastic reinforced concrete using SVM, ANN, and tree-based techniques. Multiscale and Multidisciplinary Modeling. Experiments and Design, 1-19. https://doi.org/10.1007/s41939-024-00501-8
• Mosquera, C. H., Acosta, M. P., Rodríguez, W. A., Mejía‐España, D. A., Torres, J. R., Martinez, D. M., Abellán‐García, J. 2024. ANN‐based analysis of the effect of SCM on recycled aggregate concrete. Structural Concrete. https://doi.org/10.1002/suco.202400024
• Karaboga, D., Kaya, E. 2019. Adaptive network based fuzzy inference system (ANFIS) training approaches: a comprehensive survey. Artificial Intelligence Review, 52, 2263-2293. https://doi.org/10.1007/s10462-017-9610-2
• Jang, J. S. 1996. Input selection for ANFIS learning. In Proceedings of IEEE 5th International Fuzzy Systems, 2, 1493-1499.
• Aali, K. A., Parsinejad, M., Rahmani, B. 2009. Estimation of Saturation Percentage of Soil Using Multiple Regression, YSA, and ANFIS Techniques. Computing and Information Science, 2(3), 127-136.