Praca dotyczy zastosowania jednokierunkowych sztucznych sieci neuronowych w zadaniu projektowania składu mieszanek betonów wysokowartościowych (BWW) poprzez budowę modelu zależności wytrzymałości ... więcej

Praca dotyczy zastosowania jednokierunkowych sztucznych sieci neuronowych w zadaniu projektowania składu mieszanek betonów wysokowartościowych (BWW) poprzez budowę modelu zależności wytrzymałości na ściskanie po 28 dniach próbek betonowych od składu ilościowego 6 składników mieszanki. Zadanie budowy modelu sformułowano jako problem wnioskowania statystycznego i zbadano przydatność Bayesowskiego wnioskowania statystycznego do estymacji parametrów modelu oraz predykcji wytrzymałości na ściskanie. Otrzymany model pozwala na uzyskanie rozkładu predykcyjnego wytrzymałości na ściskanie dla ustalonego składu ilościowego 6 składników mieszanki, dając jawne oszacowanie niepewności dotyczącej rzeczywistej wartości wytrzymałości na ściskanie po 28 dniach danej próbki betonowej.

Feed-forward neural network model was applied to prediction of the high-performance concrete (HPC) compressive strength at 28 days on the basis of the mass contents of the mixture of six components. Neural ... więcej

Feed-forward neural network model was applied to prediction of the high-performance concrete (HPC) compressive strength at 28 days on the basis of the mass contents of the mixture of six components. Neural model parameters were estimated using Bayesian statistical inference. Concrete compressive strength predictive distribution was computed using also Bayesian inference allowing estimation of the uncertainty with regard to the actual HPC compressive strength at 28 days of the specimen.