Makine öğrenmesi yöntemleri kullanılarak farklı malzemelerle üretilmiş hafif betonlara ait karışım tasarımlarının belirlenmesi
Determination of mix designs of lightweight concrete produced with different materials using machine learning methods
- Tez No: 635336
- Danışmanlar: DOÇ. DR. KÜRŞAT ESAT ALYAMAÇ
- Tez Türü: Yüksek Lisans
- Konular: İnşaat Mühendisliği, Civil Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2019
- Dil: Türkçe
- Üniversite: Fırat Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: İnşaat Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Yapı Bilim Dalı
- Sayfa Sayısı: 67
Özet
Hafif betonların kullanımı günümüzde giderek artmaktadır. Birçok avantaja sahip olan bu beton türü dayanımlarına göre sınıflandırılır. Hafif betonlar genelde taşıyıcı hafif betonlar, yarı taşıyıcı hafif betonlar ve yalıtım betonları olarak üretilirler. Farklı türde hafif agregaların farklı hafif beton uygulamalarında kullanıldığı görülmüştür. Uçucu kül, genleştirilmiş kil gibi hafif agregaların daha çok taşıyıcı hafif beton üretiminde, pomza taşı ve volkanik cüruf agregalarının ise yarı taşıyıcı hafif beton üretiminde kullanıldığı görülmüştür. Perlit ve vermikülit yüksek ısı ve ses yalıtıma sahip agregalardır. Bu nedenle perlit ve vermikülit agregaları yalıtım hafif betonu üretiminde kullanılırlar. Bu çalışmada hafif betonların karışım tasarımı üzerine teorik bir araştırma yapılmıştır. Bu çalışmada literatürde farklı hafif agregalar kullanılarak üretilmiş hafif betonların mevcut karışım tasarım hesapları incelenmiştir. Uygun çalışmalardan karışım bileşenleri, basınç dayanımı ve kuru yoğunluk değerleri alındı. Daha sonra alınan bu veriler ile yapay sinir ağı ve tepki yüzeyi metodu kullanılarak karışım tasarımı geliştirildi. Toplamda 4 farklı türde yapay sinir ağları tasarlanmıştır. YSA 1,YSA 2,YSA 3 türünde hedefler sırasıyla kuru yoğunluk, slump ve basınç dayanımı olarak belirlenmiştir. YSA 4 türünde ise girişlerde hafif agrega yerine hedef mukavemet eklenerek hafif agrega miktarının tahmin edilmesi amaçlanmıştır. Geliştirilen bu karışım tasarımları ile literatürdeki elde edilmiş sonuçlar karşılaştırıldı. Yapay sinir ağı ile elde edilen korelasyon değerinin tepki yüzeyi metoduna göre daha yüksek olduğu görülmüştür. YSA ve TYM ile elde edilen sonuçlar ile toplanan veriler arasındaki farklar uygun sınırlar içinde bulundu. Sonuç olarak geliştirilen bu karışım tasarımları farklı türde hafif agregalar kullanılarak üretilecek hafif betonlar için pratik bir karışım tasarımı sunacaktır. Bu nedenle, literatürde hafif betonun daha fazla çalışılmasına katkıda bulunacaktır.
Özet (Çeviri)
The use of lightweight concrete is consistently increasing nowadays. This kind of concrete, which has many advantages, is classified based on its strength. Additionally, lightweight concretes are generally produced as structural lightweight concrete, semi-structural concrete and insulation concretes. It has been seen that different types of lightweight aggregates are used in different lightweight concrete applications. While lightweight aggregates such as fly ash and expanded clay are mostly used in lightweight concrete production, pumice stone and volcanic slag aggregates are used in the production of semi-lightweight concrete. Perlite and vermiculite are aggregates with high heat and sound insulation. Therefore, perlite and vermiculite aggregates are used in insulation concrete production. In this study, a theoretical research has been performed on the mix design of lightweight concrete. In this study, the current mixture design of lightweight concretes produced by using different lightweight aggregates in the literature were examined. The amounts of the mix components, the compressive strength, dry density values were taken from the appropriate studies. Afterwards, mix design was developed using statistical analysis and response surface method from the recorded data. The four different types of artificial neural networks are designed. The targets in ANN 1, ANN 2, ANN 3 types were determined as dry density, slump and compressive strength, respectively. In ANN 4 type, it is aimed to estimate the amount of lightweight aggregate by adding target strength instead of lightweight aggregate. These mix designs were compared with the results obtained in the literature. The correlation value obtained with the artificial neural network was higher than the response surface method. The differences between the results obtained with ANN and RSM and the data collected were found within the appropriate limits. As a result, these mix designs will provide a practical mix design for lightweight concretes to be produced with diffirent lightweight aggregate. Therefore, it will contribute to further study of lightweight concrete in the literature.
Benzer Tezler
- Design, modelling and control of a nano quadrotor withmicrocontroller based vision system for object tracking
Nesne takibi için bir nano dört rotorlu helikopterin tasarımı, modellenmesi ve mikrodenetleyici tabanlı görüntü sistemi ile kontrolü
MUSTAFA ENES KIRMACI
Yüksek Lisans
İngilizce
2023
Makine Mühendisliğiİstanbul Teknik ÜniversitesiMakine Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ HÜLYA YALÇIN
PROF. DR. ERDİNÇ ALTUĞ
- Yapay zekâ yöntemleriyle termoelektrik modülün kontrolü
Control of thermoelectric module with artificial intelligence methods
TUFAN KOÇ
Doktora
Türkçe
2024
Elektrik ve Elektronik MühendisliğiMilli Savunma ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ NEVRA BAYHAN
PROF. DR. SEDAT BALLIKAYA
- Prediction of early-age mechanical properties of high strength concrete with pozzolans by using statistical methods
İstatistik yöntemler kullanılarak puzolan katkılı yüksek dayanmlı betonların erken yaş mekanik özelliklerinin tahmini
MUZAFFER UMUR DALGIÇ
Yüksek Lisans
İngilizce
2022
İnşaat Mühendisliğiİstanbul Teknik Üniversitesiİnşaat Ana Bilim Dalı
PROF. DR. YILMAZ AKKAYA
- Gemi inşaatında atıklar ve boya emisyon tahmini
Wastes from shipbuilding processes and paint emission estimation
UĞUR BUĞRA ÇELEBİ
Doktora
Türkçe
2008
Gemi MühendisliğiYıldız Teknik ÜniversitesiGemi İnşaatı ve Gemi Makineleri Mühendisliği Ana Bilim Dalı
DOÇ. DR. NURTEN VARDAR
- Detection and classification of faults on the dc side of photovoltaic systems using logistic model tree algorithm
Lojistik model ağacı algoritması ile fotovoltaik sistemlerin dc tarafındaki hataların tespiti ve sınıflandırılması
BOĞAÇ OĞUZ TOĞAY
Yüksek Lisans
İngilizce
2024
Enerjiİstanbul Teknik ÜniversitesiEnerji Bilim ve Teknoloji Ana Bilim Dalı
DOÇ. DR. COŞKUN FIRAT