An efficient concrete compressive strength prediction method based recurrent neural network and particle swarm optimization algorithm
Başlık çevirisi mevcut değil.
- Tez No: 697564
- Danışmanlar: PROF. DR. ZEKİ HASGÜR
- Tez Türü: Yüksek Lisans
- Konular: İnşaat Mühendisliği, Civil Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2021
- Dil: İngilizce
- Üniversite: Altınbaş Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: İnşaat Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 65
Özet
Beton projesinde en tehlikeli parametrelerden biri basınç dayanımıdır. Betonun basınç dayanımı gerektiği gibi yavaş olduğundan, maliyet ve zaman azaltılabilir. Beton gücü, durum üzerindeki etkilere nispeten dayanıklıdır. Beton basınç dayanımının üretimi, şiddetli iklim ortamları ve nem oranlarındaki artışlar tarafından önemli ölçüde gerçekleştirilir. Bu çalışmada, Beton Basınç Dayanımını tahmin etmek için RNN ile PSO kombinasyonunu sunan verimli yöntem. Önerilen yöntem, iki klasik yöntem olan sinir ağı ve naif bayes sınıflandırıcı ile karşılaştırılmıştır. Önerilen yöntem, ortalama hata, ortalama karesel hata, ortalama yüzde hata ve ortalama karesel hata gibi çeşitli metrik parametreler karşılaştırıldığında klasik tekniklerden en iyi sonuçları vermiştir.
Özet (Çeviri)
One of the greatest dangerous parameters in concrete project is compressive strength. As the compressive strength of concrete is properly slow, cost and time can be reduced. Concrete strength is comparatively hardy to influences on the situation. The manufacture of concrete compressive strength is importantly predisposed by severe climate environments and growths in moisture rates. In this study, efficient method presented combined RNN with PSO to predicate the Concrete Compressive Strength. The proposed method compared with two classical methods neural network and naïve bayes classifier. The proposed method presented best results than classical techniques when several metric parameters are compared such as mean error, mean squared error, mean percentage error, and root mean squared error.
Benzer Tezler
- Betonarme kolonların deprem performansının tekstil donatılı / donatısız cam lifli püskürtme harçla iyileştirilmesi
Improvement of seismic performance of reinforced concrete columns using glass fiber reinforced sprayed mortar with / without textile reinforcement
ALİ OSMAN ATEŞ
Doktora
Türkçe
2022
Deprem Mühendisliğiİstanbul Teknik Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
PROF. DR. ALPER İLKİ
- Yapay sinir ağları ile kesme donatısız betonarme kirişlerin analizi
An analysis of reinforcement concrete without web reinforcement using artificial neural networks
HÜSEYİN SERDAR KÜYÜK
Yüksek Lisans
Türkçe
2005
İnşaat MühendisliğiYıldız Teknik ÜniversitesiY.DOÇ.DR. HASAN ORHUN KÖKSAL
Y.DOÇ.DR. NACİ ÇAĞLAR
- Bazı kayaç özelliklerinin kollu galeri açma makineleri ve hidrolik kırıcıların kazı performansındaki etkilerinin incelenmesi
Investigation into the effect of some rock properties on cutting performance of readheaders and hydraulic hammers
TURGAY DİNÇER
- Nano silika-mikro silika içeren normal ve yüksek dayanımlı betonlarda donatı-beton aderans özelliklerinin incelenmesi
Investigation of reinforcement-concrete bond properties in normal and high strength concrete containing nano silica and/or micro silica
BÜŞRA BOYACI
Yüksek Lisans
Türkçe
2022
İnşaat Mühendisliğiİstanbul Teknik Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
PROF. DR. HAKAN NURİ ATAHAN
DR. ÖĞR. ÜYESİ ÖMER TUĞRUL TURAN
- Lifli geopolimer betonların mekanik özelliklerinin makine öğrenmesi kullanılarak analizi
Machine learning-based analysis of mechanical properties of fibrous geopolymer concrete
CANAN BARTIK
Yüksek Lisans
Türkçe
2024
İnşaat MühendisliğiIğdır Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
DOÇ. DR. AHMET EMİN KURTOĞLU