CIVILICA We Respect the Science
(ناشر تخصصی کنفرانسهای کشور / شماره مجوز انتشارات از وزارت فرهنگ و ارشاد اسلامی: ۸۹۷۱)

پیش بینی مقاومت فشاری بتن های حاوی سرباره کوره های قوس الکتریکی فولاد مبارکه و میکرو سیلیس با استفاده از شبکه های عصبی مصنوعی

عنوان مقاله: پیش بینی مقاومت فشاری بتن های حاوی سرباره کوره های قوس الکتریکی فولاد مبارکه و میکرو سیلیس با استفاده از شبکه های عصبی مصنوعی
شناسه ملی مقاله: SECM02_277
منتشر شده در دومین کنفرانس ملی پژوهش های کاربردی در مهندسی عمران(مهندسی سازه و مدیریت ساخت) در سال 1396
مشخصات نویسندگان مقاله:

علی مهدوی - گروه مهندسی عمران، واحد دهاقان، دانشگاه آزاد اسلامی، دهاقان، ایران
بابک بهفروز - گروه مهندسی عمران، واحد دهاقان، دانشگاه آزاد اسلامی، دهاقان، ایران

خلاصه مقاله:
یکی از عمده ترین محصولات جانبی در فرآیند تولید فولاد سرباره است. در تولید فولاد به روش کوره بلند با توجه به ترکیبات سرباره تولیدی امکان استفاده از آن در تهیه سیمان های پوزولانی وجود دارد؛ اما در تولید فولاد به روش کوره قوس الکتریکی، عمدتا به دلیل پایین بودن خاصیت پوزولانی و مقادیر زیاد اکسیدهای آهن در سرباره امکان استفاده به صورت خام وجود ندارد. به همین دلیل روش های فرآوری گرم و سرد سرباره توسعه یافته است. با توجه به نو بودن دانش تولید فولاد به روش کوره قوس در ایران و ناشناخته بودن موارد کاربرد سرباره فرآوری شده و نیز حجم بالای سرباره تولید شده از ابتدای بهره برداری شرکت فولاد مبارکه، به منظور گسترش استفاده از این نوع سرباره در بتن تحقیق حاضر انجام گرفت. بر این اساس در ابتدا ضمن تهیه 54 طرح اختلاط و اندازه گیری مقاومت فشاری نمونه های آزمایشگاهی بانک اطلاعاتی شامل داده های طرح های اختلاط بتن و نتایج مقاومت های فشاری در سنین 7 ، 11 ، 28 و 42 روزه تشکیل گردید. سپس جهت غنی تر نمودن بانک اطلاعاتی، نتایج تحقیقات انجام گرفته بر روی بتن های پر مقاومت تهیه شده از سرباره های کوره قوس کارخانه فولادسازی در سویز مصر که مشخصات شیمیایی و فیزیکی سرباره آن بسیار شبیه به سرباره فولاد مبارکه بود به بانک اطلاعاتی موجود اضافه گردید. این اطلاعات شامل 26 طرح اختلاط و نتایج مقاومت فشاری در سنین 7 ، 28 و 91 روزه بود. پس از آن به منظور کشف رابطه بین متغیرهای طرح اختلاط و مقاومت فشاری از شبکه های عصبی مصنوعی استفاده گردید. بر این اساس انواع شبکه های عصبی مصنوعی متفاوت مورد آزمایش قرار گرفت. نهایتا با ارزیابی میزان خطای شبکه های مختلف به کمک پارامترهای ارزیابی R² و MSE ، شبکه پس انتشار خطا با یک لایه مخفی، تعداد 11 گره در لایه پنهان، تابع آموزش لونبرگ – مارکوت و تابع انتقال لوگ - سیگمویید بهترین نتایج خروجی را ارایه نمود.

کلمات کلیدی:
سرباره کوره قوس الکتریکی، مقاومت فشاری، شبکه عصبی مصنوعی، میکرو سیلیس

صفحه اختصاصی مقاله و دریافت فایل کامل: https://civilica.com/doc/777129/