Mehr lesen
In diesem Buch wird die Vorhersage des Betonmischungsverhältnisses mit Hilfe eines künstlichen neuronalen Netzwerkmodells vorgestellt. Ein künstliches neuronales Netzwerkmodell wurde entwickelt, trainiert und mit 359 Betonmischungsdatensätzen getestet. Diese Datensätze wurden von Betonfirmen bezogen, sortiert und verwendet, wobei 70 %, 15 % und 15 % für die Trainings-, Validierungs- bzw. Testphase verwendet wurden. Es wurde ein dreischichtiges Feed-Forward-Neuronalnetzmodell mit einem Backpropagation-Algorithmus verwendet. Die Eingabeschicht besteht aus 5 Knoten, die die Druckfestigkeit (28 Tage), den Feinheitsmodul, das Verhältnis der groben Gesteinskörnung, das Wasser-Zement-Verhältnis und die maximale Größe der Gesteinskörnung repräsentieren, sowie aus fünf Ausgabeparametern, nämlich Druckfestigkeit, Wasser, feine Gesteinskörnung, grobe Gesteinskörnung und Zementgehalt, die die erwartete Ausgabe darstellen. Das Ergebnis des ANN-Modells wurde mit anderen Ansätzen der Betonrezeptur verglichen und als angemessen erachtet. Der Fehler aus dem Vergleich zwischen den tatsächlichen Ausgabedaten und den vom Künstlichen Neuronalen Netz vorhergesagten Daten für die gesamten Ausgabeparameter betrug -0,00083. Die Ergebnisse zeigen den Nutzen, die Zuverlässigkeit und die Nützlichkeit des künstlichen neuronalen Netzes (ANN) für die genaue Vorhersage des Betonmischungsverhältnisses.
Über den Autor / die Autorin
Munachiso Ogbodo lecciona na Universidade de Port Harcourt, Nigéria. É licenciado em Engenharia Civil e Mestre em Estruturas. Dumde Dinebari é licenciado pela Universidade de Port Harcourt com um bacharelato em Engenharia Civil.
