پيش بيني ضريب نفوذپذيري بتن با استفاده از شبكه هاي عصبي نوع GMDH و الگوريتم ژنتيك

پيش بيني ضريب نفوذپذيري بتن به عنوان يك پارامتر كليدي و تاثيرگذار در عمق مفيد يك سازه بتني از اهميت بالايي برخودار مي باشد. روشهاي تجربي در اين زمينه داراي معايبي همچون زمانبري بالا، هزينه زياد، كمياب بودن ادوات آزمايشگاهي، وجود يونهاي مزاحم در حين آزمايش و ايجادخطاهاي ناخواسته و دور شدن از مدل صحيح مي باشند؛ لذا در اين تحقيق الگوريتم ژنتيك و تجزيه مقادير منفرد (SVD) به ترتيب براي بهينه سازي اتصالات و يافتن ضرايب شبكه هاي عصبي نوع GMDH براي مدل كردن ضريب نفوذپذيري يون كلر در بتن مورد استفاده قرار گرفته اند. هدف از اين مدل سازي پيدا كردن ارتباط رياضي بين ضريب نفوذپذيري بتن با پارامترهاي موثر بر آن يعني نسبت آب به سيمان، درجه هيدراتاسيون، درصد حجمي مصالح سنگي و درصد ميكروسيليس مي باشد. يك روش جديد كدگذاري براي طراحي عمومي شبكه هاي عصبي نوع GMDH پيشنهاد شده است كه محدوديت استفاده از لايه مجاور را ندارد. استفاده از اين نوع كد گذاري دستيابي به بهينه ترين شبكه از نظر تعداد لايه هاي مخفي و يا تعداد نرون را ميسر مي سازد.