Vergleich von ANN und RSM bei der Vorhersage der Festigkeit von Beton
MODELLE DES KÜNSTLICHEN NEURONALEN NETZES (ANN) UND DER RESPONSE SURFACE METHODOLOGY (RSM)
Versandkostenfrei!
Versandfertig in 6-10 Tagen
43,90 €
inkl. MwSt.
PAYBACK Punkte
0 °P sammeln!
In dieser Studie wird eine vergleichende Studie zwischen einem künstlichen neuronalen Netzwerk (ANN) und der Response Surface Methodology (RSM) zur Vorhersage der Druckfestigkeit von hochfestem Beton durchgeführt. Der Vergleich wurde auf der Grundlage der gleichen experimentellen Datensätze durchgeführt. Die in dieser Studie untersuchten Inputs waren der prozentuale Anteil von Zement, Silikastaub und grober Gesteinskörnung. Die in ANN und RSM verwendeten Methoden waren das Feedforward Neural Network und das Face-Centered Central Composite. Der Vergleich zwischen den beiden Modellen zeigte...
In dieser Studie wird eine vergleichende Studie zwischen einem künstlichen neuronalen Netzwerk (ANN) und der Response Surface Methodology (RSM) zur Vorhersage der Druckfestigkeit von hochfestem Beton durchgeführt. Der Vergleich wurde auf der Grundlage der gleichen experimentellen Datensätze durchgeführt. Die in dieser Studie untersuchten Inputs waren der prozentuale Anteil von Zement, Silikastaub und grober Gesteinskörnung. Die in ANN und RSM verwendeten Methoden waren das Feedforward Neural Network und das Face-Centered Central Composite. Der Vergleich zwischen den beiden Modellen zeigte, dass RSM mit einem Bestimmtheitsmaß (R2), das mit 0,9959 näher an 1 liegt, besser abschnitt als ANN. Darüber hinaus lagen alle von RSM vorhergesagten Ergebnisse im Vergleich zu den Versuchsergebnissen innerhalb einer 10 %igen Marge. Beim ANN-Modell hingegen lagen drei der vorhergesagten Ergebnisse außerhalb der 10 %-Marge. Es wurde auch festgestellt, dass Silikastaub einen größeren Einfluss aufdie Druckfestigkeit des Betons hat als grobe Zuschlagstoffe.
Andere Kunden interessierten sich für
