Artificial Neural Model based on radial basis function networks used for prediction of compressive strength of fiber-reinforced concrete mixes

Autor: Aydee Patricia Guerrero Zúñiga, Luis Octavio González Salcedo, Silvio Delvasto Arjona, Adrián Will
Rok vydání: 2019
Předmět:
Zdroj: Ciencia e Ingenieria Neogranadina; Vol. 29 No. 2 (2019); 37-52
Ciencia e Ingeniería Neogranadina; Vol. 29 Núm. 2 (2019); 37-52
Ciencia e Ingeniería Neogranadina; v. 29 n. 2 (2019); 37-52
Ciencia e Ingeniería Neogranadina, Vol 29, Iss 2, Pp 37-52 (2019)
Ciencia e Ingeniería Neogranadina, Volume: 29, Issue: 2, Pages: 37-52, Published: 20 JUN 2019
ISSN: 1909-7735
0124-8170
DOI: 10.18359/rcin.3737
Popis: A complex nonlinear relationship exists between the factors influence the compressive design strength of steel fiber reinforced concrete. This relation between input variables, the factors, and the output variable as it is the compressive design strength can be obtained by using an artificial neural model, which has characteristics of self-adapting, self-study and nonlinear mapping. An application of a radial basis function artificial neural model is presented in this paper. Compressive design strengths of steel fiber reinforced concrete endured mixes with diverse proportioning was predicted and compared with the experimental measured results. The predicted values were analyzed by R lineal correlation factor. The results showed that the predicted values based on radial basis function networks presented coincidence with the experimental values, and the predictability of the mechanical property of the neural model is better than that of the multi-layer neural models developed previously by the authors. The training of the neural models allowed us to conclude that the use of materials relationships is a better indicator for the comparison between different dosages of concrete mixtures that lead to similar compression strengths. A future agenda is opened in the generation of new methods of studying in metal fiber reinforced concretes compression design strength reinforced in the field of engineering. Existe una relación compleja y no lineal entre los factores que influyen en la resistencia de diseño y la compresión de hormigones reforzados con fibras de acero. La relación entre las variables de entrada, los factores y la variable de salida, y la resistencia de diseño a la compresión puede ser obtenida por un modelo neuronal artificial, cuyas características sean autoadaptación, autoestudio y mapeo no lineal. En este documento se presenta la elaboración de un modelo neuronal artificial basado en redes neuronales de funciones de base radial. La resistencia de diseño a la compresión en dosificaciones de mezclas de hormigón reforzados con fibras de acero es estimada, predicción que se analiza a partir del coeficiente de correlación R al compararse con los valores reales de la resistencia. Los resultados muestran que los valores estimados usando las redes de base radial coinciden con los valores experimentales, y la capacidad de predicción de la propiedad mecánica del modelo neuronal es mejor que la de otros modelos basados en redes multicapas desarrollados por los autores. El entrenamiento de los modelos neuronales permitió concluir que el uso de relaciones de los materiales es un indicador más adecuado para la comparación entre diferentes dosificaciones de mezclas de hormigón que llevan a similares resistencias a la compresión. Así, se potencia una agenda futura en la generación de nuevos métodos de estudio de la resistencia de diseño a la compresión en hormigones reforzados con fibras metálicas en el campo de la ingeniería.
Databáze: OpenAIRE
Externí odkaz: