Dalgacık Dönüşümü ile Beton Basınç Dayanım Tahmininin İyileştirilmesi

Ersin NAMLI, (İstanbul Üniversitesi, Mühendislik Fakültesi, Endüstri Mühendisliği, İstanbul, Türkiye)
Halil Ibrahim ERDAL, (Türk İşbirliği ve Koordinasyon Ajansı (TİKA), Ankara, Türkiye)
Hamit ERDAL (Atatürk Üniversitesi, Sosyal Bilimler Enstitüsü, Erzurum, Türkiye)
Politeknik Dergisi
2 0
Yıl: 2016 Cilt: 19 Sayı: 4 Sayfa Aralığı: 471 - 480 Metin Dili: Türkçe DOI: 10.2339/2016.19.4 471-480 İndeks Tarihi: 19-06-2021

Dalgacık Dönüşümü ile Beton Basınç Dayanım Tahmininin İyileştirilmesi

Öz:
Betonun basınç dayanımının tahmini araştırmacılar tarafından son yıllarda artan bir hızla ele alınmaktadır. Bu konuda gelenekselistatistiksel tahmin yaklaşım ve yöntemlerinin terk edilerek gelişmiş tahmin yaklaşım ve metodolojileri kullanılmaya başlanmıştır.Bu çalışmada farklı karışım oranları kullanılarak Beton basınç dayanımının tahmininde Yapay Sinir Ağları (YSA) yöntemi ileDalgacık Dönüşümü Yapay Sinir Ağları (DDYSA) yöntemlerinin tahmin performansları karşılaştırılmış ve veri setini ayrıştıraraktahmin için daha kararlı duruma getiren Dalgacık Dönüşümünün (DD) tahmin performanslarının iyileşmeye/kötüleşmesine etkisiaraştırılmıştır. Bu kapsamda veri seti dört farklı şekilde eğitilmiş ve on altı farklı test çalışması gerçekleştirilmiştir. Gerçekleştirilentestler neticesinde DD’nin geleneksel YSA’ya oranla daha tatmin edici tahmin sonuçlar verdiği görülmüştür. Sonuç olarak DD’ninaraştırmacılar ve beton üreticileri tarafından beton basınç dayanım tahmininde etkin bir yöntem olarak kullanılabileceği sonucunavarılmıştır.
Anahtar Kelime:

Improving Prediction Accuracy of Concrete Compressive Strength via Wavelet Transform

Öz:
In recent years, Compressive strength prediction of concrete is being studied with an increasing speed by researchers. Instead of traditional statistical techniques, advanced prediction methods are being used in this area of study. In this study artificial neural network (ANN) and wavelet transform artificial neural network (WTANN) methods’ prediction performances were compared on compressive strength of concrete with different mixture ratios and additionally effect of wavelet transform which decomposes dataset into subsets for a stationary situation for prediction was presented. Within this scope dataset trained in four different ways and sixteen different tests performed. The results of tests performed, WTANN achieves higher prediction performance in comparison with ANN. Hence, it’s proved that WT could be used by researchers as an effective predictive tool for concrete compressive strength
Anahtar Kelime:

Belge Türü: Makale Makale Türü: Araştırma Makalesi Erişim Türü: Erişime Açık
  • 1. Hong-Guang, N., and Ji-Zong, W., Prediction of Compressive Strength of Concrete by Neural Networks,Cement and Concrete Research. 30: 1245-1250, (2000).
  • 2. Seyhan, A. T., Tayfur, G., Karakurt, M., Tanoğlu, M., Artificial Neural Network (YSA) Prediction of Compressive Strength of VARTM Processed Polymer Composites,Computational Materials Science. 34: 99– 105, (2005).
  • 3. Yeh, I. C., Modeling of Strength of High-Performance Concrete Using Artificial Neural Networks,Cement and Concrete Research, 28: 1797-1808, (1998).
  • 4. Topcu, I. B., and Sarıdemir, M., Prediction of Compressive Strength of Concrete Containing Fly Ash Using Artificial Neural Networks and Fuzzy Logic,Computational Materials Science, 41: 305–311, (2008).
  • 5. Atıcı, U., Prediction of the Strength of Mineral Admixture Concrete Using Multivariable Regression Analysis and An Artificial Neural Network. Expert Systems with Applications. 38: 9609–9618, (2011).
  • 6. Nikoo, M., Zarfam, P., and Sayahpour, H., Determination of Compressive Strength of Concrete Using Self Organization Feature Map (SOFM),Engineering with Computers, 1-9, (2013).
  • 7. Fazel-Zarandi, M. H., Türksen, I. B., Sobhani, J., and Ramezanianpour, A. A., Fuzzy polynomial Neural Networks for Approximation of the Compressive Strength of Concrete,Appl. Soft Comput., 8(1): 488-498, (2008).
  • 8. Yeh, I.C., and Lien, L-C., Knowledge Discovery of Concrete Material Using Genetic Operation Trees,Expert Systems with Applications, 36: 5807–5812, (2009).
  • 9. Cheng, M-Y., Peng, H-S., Wu, Y-W., and Chen, T-L., Estimate at Completion for Construction Projects Using Evolutionary Support Vector Machine Inference Model,Automation in Construction. 19: 619–629, (2010).
  • 10. Chou, J. S., Chiu, C. K., Farfoura, M., and Al-Taharwa, I., Optimizing the Prediction Accuracy of Concrete Compressive Strength Based on A Comparison of Datamining Techniques,Journal of Computing In Civil Engineering, 25: 242-253, (2011).
  • 11. Cheng, M-Y., Firdausi, P. M., and Prayogo, D., Highperformance Concrete Compressive Strength Prediction using Genetic Weighted Pyramid Operation Tree (GWPOT),Engineering Applications of Artificial Intelligence. 29: 104–113, (2014).
  • 12. Xing, Y. F., Wang, Y. S., Shi, L., Guo, H., & Chen, H., Sound quality recognition using optimal wavelet-packet transform and artificial neural network methods,Mechanical Systems and Signal Processing, 66: 875-892, (2016).
  • 13. Karami, A., Zanj, B., & Sarkaleh, A. K., Persian sign language (PSL) recognition using wavelet transform and neural networks,Expert Systems with Applications, 38(3): 2661-2667, (2011).
  • 14. Manea, S.M., Kamblib, R.A., Kazic, F.S., & Singhc, N.M., Hand Motion Recognition From Single Channel Surface EMG Using Wavelet & Artificial Neural Network, Procedia Computer Science, 49: 58-65, (2015).
  • 15. Chaturvedi, D. K., Sinha, A. P., & Malik, O. P., Short term load forecast using fuzzy logic and wavelet transform integrated generalized neural network,International Journal of Electrical Power & Energy Systems, 67: 230- 237, (2015).
  • 16. Catalão, J. P. S., Pousinho, H. M. I., & Mendes, V. M. F., Short-term wind power forecasting in Portugal by neural networks and wavelet transform,Renewable Energy, 36(4): 1245-1251, (2011).
  • 17. Feng, X., Li, Q., Zhu, Y., Hou, J., Jin, L., & Wang, J., Artificial neural networks forecasting of PM 2.5 pollution using air mass trajectory based geographic model and wavelet transformation,Atmospheric Environment, 107: 118-128, (2015).
  • 18. Hsieh, T. J., Hsiao, H. F., & Yeh, W. C., Forecasting stock markets using wavelet transforms and recurrent neural networks: An integrated system based on artificial bee colony algorithm,Applied soft computing, 11(2): 2510- 2525, (2011).
  • 19. Kalteh, A. M., Monthly river flow forecasting using artificial neural network and support vector regression models coupled with wavelet transform,Computers & Geosciences, 54: 1-8, (2013).
  • 20. Jamil, M., Kalam, A., Ansari, A. Q., & Rizwan, M., Generalized neural network and wavelet transform based approach for fault location estimation of a transmission line,Applied Soft Computing, 19: 322-332, (2014).
  • 21. Chen, C. F., Chen, C. R., Son, N. T., & Chang, L. Y., Delineating rice cropping activities from MODIS data using wavelet transform and artificial neural networks in the Lower Mekong countries,Agriculture, ecosystems & environment, 162: 127-137, (2012).
  • 22. Tagluk, M. E., Akin, M., & Sezgin, N., Classıfıcation of sleep apnea by using wavelet transform and artificial neural networks,Expert Systems with Applications, 37(2): 1600- 1607, (2010).
  • 23. Wang, N., & Adeli, H., Self-constructing wavelet neural network algorithm for nonlinear control of large structures,Engineering Applications of Artificial Intelligence, 41: 249-258, (2015).
  • 24. Liu, S., Du, C., Mou, J., Martua, L., Zhang, J., & Lewis, F. L., Diagnosis of structural cracks using wavelet transform and neural networks, NDT & E International, 54: 9-18, (2013).
  • 25. Tascikaraoglu A, Sanandaji BM, Poolla K, Varaiya P. Exploiting sparsity of interconnections in spatio-temporal wind speed forecasting using Wavelet Transform, Applied Energy, 165(1): 735-747, (2016).
  • 26. Aydoğmuş, H.Y., Ekinci, A., Erdal, H.İ. & Erdal, H., Optimizing the monthly crude oil price forecasting accuracy via bagging ensemble models, Journal of Economics and International Finance, 7(5): 127-136, (2015).
  • 27. Aydogmus, H.Y., Erdal, H.İ., Karakurt, O., Namli, E., Turkan, Y.S. & Erdal, H. A comparative assessment of bagging ensemble models for modeling concrete slump flow, Computers and Concrete, 16(5): 741-757,(2015).
  • 28. Erdal, H., Makine Öğrenmesi Yöntemlerinin İnşaat Sektörüne Katkısı: Basınç Dayanımı Tahminlemesi. Pamukkale Üniversitesi Mühendislik Bilimleri Dergisi, 21(3), 109-114, (2015).
  • 29. Öztemel, E., Yapay Sinir Ağları, İstanbul, Papatya Yayıncılık, (2003).
  • 30. Haşıloğlu, A. S., & Bayramoğlu, M., A New Windowing Technique in Texture Classification, Anadolu Üniversitesi Bilim Ve Teknoloji Dergisi, (2001).
  • 31. Meyer Y. Wavelets-algorithms and applications,WaveletsAlgorithms and applications Society for Industrial and Applied Mathematics Translation., 142 p., (1993).
  • 32. Gholizadeh, S., & Samavati, O. A., Structural optimization by wavelet transforms and neural networks. Applied Mathematical Modelling, 35(2): 915-929, (2011).
  • 33. Grossmann A, Morlet J. Decomposition of Hardy functions into square integrable wavelets of constant shape,SIAM journal on mathematical analysis,15(4): 723-36, (1984).
  • 34. Kilic N, Gorgel P, Ucan ON, Sertbas A. Mammographic mass detection using wavelets as input to neural networks,Journal of medical systems, 34(6): 1083-1088, (2010),
  • 35. Saravanan N, Ramachandran KI. Incipient gear box fault diagnosis using discrete wavelet transform (DWT) for feature extraction and classification using artificial neural network (ANN),Expert Systems with Applications, 30; 37(6): 4168-81, (2010).
  • 36. Erdal HI, Karakurt O, Namli E. High performance concrete compressive strength forecasting using ensemble models based on discrete wavelet transform,Engineering Applications of Artificial Intelligence, 30; 26(4): 1246-54, (2013).
  • 37. Küçük M, Ağiralioğlu N. Dalgacık dönüşüm tekniği kullanılarak hidrolojik akım serilerinin modellenmesi, Itüdergisi/d., 29; 5(2): (2011).
  • 38. Chalus P, Walter S, Ulmschneider M., Combined wavelet transform–artificial neural network use in tablet active content determination by near-infrared spectroscopy. Analytica chimica acta., 22; 591(2): 219-24, (2007).
  • 39. Yeh, I. C., UCI Machine Learning Repository, University of california,http://archive.ics.uci.edu/ml/datasets/ Concrete + Compressive+Strength, (2014).
APA NAMLI e, ERDAL H, ERDAL H (2016). Dalgacık Dönüşümü ile Beton Basınç Dayanım Tahmininin İyileştirilmesi. , 471 - 480. 10.2339/2016.19.4 471-480
Chicago NAMLI ersin,ERDAL Halil Ibrahim,ERDAL HAMİT Dalgacık Dönüşümü ile Beton Basınç Dayanım Tahmininin İyileştirilmesi. (2016): 471 - 480. 10.2339/2016.19.4 471-480
MLA NAMLI ersin,ERDAL Halil Ibrahim,ERDAL HAMİT Dalgacık Dönüşümü ile Beton Basınç Dayanım Tahmininin İyileştirilmesi. , 2016, ss.471 - 480. 10.2339/2016.19.4 471-480
AMA NAMLI e,ERDAL H,ERDAL H Dalgacık Dönüşümü ile Beton Basınç Dayanım Tahmininin İyileştirilmesi. . 2016; 471 - 480. 10.2339/2016.19.4 471-480
Vancouver NAMLI e,ERDAL H,ERDAL H Dalgacık Dönüşümü ile Beton Basınç Dayanım Tahmininin İyileştirilmesi. . 2016; 471 - 480. 10.2339/2016.19.4 471-480
IEEE NAMLI e,ERDAL H,ERDAL H "Dalgacık Dönüşümü ile Beton Basınç Dayanım Tahmininin İyileştirilmesi." , ss.471 - 480, 2016. 10.2339/2016.19.4 471-480
ISNAD NAMLI, ersin vd. "Dalgacık Dönüşümü ile Beton Basınç Dayanım Tahmininin İyileştirilmesi". (2016), 471-480. https://doi.org/10.2339/2016.19.4 471-480
APA NAMLI e, ERDAL H, ERDAL H (2016). Dalgacık Dönüşümü ile Beton Basınç Dayanım Tahmininin İyileştirilmesi. Politeknik Dergisi, 19(4), 471 - 480. 10.2339/2016.19.4 471-480
Chicago NAMLI ersin,ERDAL Halil Ibrahim,ERDAL HAMİT Dalgacık Dönüşümü ile Beton Basınç Dayanım Tahmininin İyileştirilmesi. Politeknik Dergisi 19, no.4 (2016): 471 - 480. 10.2339/2016.19.4 471-480
MLA NAMLI ersin,ERDAL Halil Ibrahim,ERDAL HAMİT Dalgacık Dönüşümü ile Beton Basınç Dayanım Tahmininin İyileştirilmesi. Politeknik Dergisi, vol.19, no.4, 2016, ss.471 - 480. 10.2339/2016.19.4 471-480
AMA NAMLI e,ERDAL H,ERDAL H Dalgacık Dönüşümü ile Beton Basınç Dayanım Tahmininin İyileştirilmesi. Politeknik Dergisi. 2016; 19(4): 471 - 480. 10.2339/2016.19.4 471-480
Vancouver NAMLI e,ERDAL H,ERDAL H Dalgacık Dönüşümü ile Beton Basınç Dayanım Tahmininin İyileştirilmesi. Politeknik Dergisi. 2016; 19(4): 471 - 480. 10.2339/2016.19.4 471-480
IEEE NAMLI e,ERDAL H,ERDAL H "Dalgacık Dönüşümü ile Beton Basınç Dayanım Tahmininin İyileştirilmesi." Politeknik Dergisi, 19, ss.471 - 480, 2016. 10.2339/2016.19.4 471-480
ISNAD NAMLI, ersin vd. "Dalgacık Dönüşümü ile Beton Basınç Dayanım Tahmininin İyileştirilmesi". Politeknik Dergisi 19/4 (2016), 471-480. https://doi.org/10.2339/2016.19.4 471-480
Sayfa Oluşturulma Tarihi
25-04-2024 5:46

İLETİŞİM

TÜBİTAK ULAKBİM TR Dizin

Yüzüncüyıl, İşçi Blokları Mahallesi

Muhsin Yazıcıoğlu Caddesi No:51/C

06530 Çankaya / ANKARA +90 (312) 298 92 00

trdizin@tubitak.gov.tr

TÜBİTAK ULAKBİM Ulusal Akademik Ağ ve Bilgi Merkezi Cahit Arf Bilgi Merkezi © Tüm Hakları Saklıdır. Gizlilik Politikası Kullanım Şartları