سامره خیری خاکی - دانشجوی کارشناسی ارشد موسسه آموزش عالی غیرانتفاعی طبری بابل
محمدجواد طاهری امیری - عضو هیات علمی موسسه آموزش عالی غیرانتفاعی طبری بابل
علی اشرفیان - دانشجوی کارشناسی ارشد موسسه آموزش عالی غیرانتفاعی طبری بابل

در این مطالعه، برای مدلسازی مقاومت فشاری 28 روزه بتن بازیافتی از دو روش شبکه عصبی مصنوعی و سیستم استنتاج فازی- عصبی تطبیقی استفاده شد. سپس برای افزایش عملکرد روش های هوشمند و جلوگیری از رویکرد سعی و خطا برای دستیابی به بهینه ترین مقادیر پارامترهای هر مدل، از الگوریتم بهینه سازی ازدحام ذرات استفاده شد. داده های طرح اختلاط از پیشینه تحقیق برای ایجاد مدل های پیشنهادی جهت برآورد مقاومت فشاری 28 روزه بتن بازیافتی جمع آوری شد. در این پژوهش، برای تعیین بهترین مدل برای تخمین مقاومت فشاری 28 روزه بتن بازیافتی از طریق شاخص های آماری خطا، مشخص گردید که ضریب همبستگی (R) در مرحله آموزش برای روش ANN و ANN بر پایه الگوریتم PSO به ترتیب 79/0 و 82/0می باشد. همچنین برای این شاخص روش ANFIS-FCM نسبت به باقی روش های بر پایه نروفازی، از دقت بالاتری برخوردار بوده است. مقدار شاخص آماری RMSE برای مدل پیشنهادی ANN، ANN-PSO، ANFIS-SUB، ANFIS-FCM، ANFIS-SUB-PSO و ANFIS-SUB-PSO دراین مرحله به ترتیب 918/7، 33/7، 024/7، 432/3، 479/4 و 658/4 حاصل گردیده است. در مرحله تست نیز، روش شبکه عصبی مصنوعی بر پایه الگوریتم ازدحام ذرات، از عملکرد بهتری نسبت به روش ANN برخوردار بود. اما روش ANFIS-FCM-PSO بر خلاف اینکه در مرحله آموزش کمی از روش ANFIS-FCM ضعیف تر عمل کرد، اما در مرحله تست بر اساس سه شاخص ارائه شده عملکردی بهتر از باقی روش های پیشنهادی داشته است.

پیش بینی مقاومت فشاری، بتن بازیافتی، شبکه عصبی مصنوعی، سیستم استنتاج فازی- عصبی تطبیقی، الگوریتم بهینه سازی ازدحام ذرات