Prediction and Optimization of Compressive Strength of Fly Ash and Ground Bottom Ash Concretes Using Artificial Intelligence Systems

Abstract

This thesis is to study the prediction of compressive strength and concrete mixture optimization of concrete containing fly ash and ground bottom ash by artificial intelligence systems from the compressive strength data of previous researches. The strength predictive models of concrete are performed by Multiple Linear Regression (MLR), Multiple Second order Polynomial Regression (MSPR), Artificial Neural Network (ANN) and Adaptive Network-based Fuzzy Inference System (ANFIS). Then the best accurate model is selected to evaluate the mixture proportioning optimization that provides the minimum cost of concrete with the required compressive strength by Objective (O) algorithm and Simulated Annealing (SA) algorithm. The process of proportioning concrete mixture design in both algorithm use the American Concrete Institute (ACI) method and the analytical method by the best predictive model. These models and algorithms are developed by MATLAB Version R2016a. The results shown that the best predictive model is the ANN model because its statistical values of absolute fraction of variance (R2) is higher than of 0.99. Also the reliable relative behavior between input and output parameters of ANN model is better than that of the rest of models confirmed by comparison between predictive and experimental results with 2-dimension and 3-dimension plots. While the lowest accurate predictive model is the MLR model which provides the lowest R2 values of 0.9155. Whereas, the optimum algorithm of concrete mixture proportion from comparing between O algorithm and SA algorithm in same method of concrete mixture design. The results found that the O algorithm has the lower cost than that of the SA algorithm. The most minimum cost of concrete mixture optimization is the O-ACI algorithm. However, the O-ANN algorithm has a little higher cost than that of the O-ACI algorithm but the O-ANN algorithm use takes less time than the O-ACI algorithm.

วิทยานิพนธ์นี้เป็นการศึกษาการทำนายกำลังอัดและหาค่าที่เหมาะสมของปฏิภาคส่วนผสมของคอนกรีตผสมเถ้าลอยและเถ้าก้นเตาบดด้วยระบบปัญญาประดิษฐ์โดยใช้ข้อมูลกำลังอัดของคอนกรีตจากงานวิจัยที่ผ่านมา ซึ่งการทำนายกำลังอัดของคอนกรีตได้ใช้แบบจำลองเชิงเส้นหลายตัวแปร (MLR) แบบจำลองไม่เชิงเส้นหลายตัวแปร (MSPR) แบบจำลองโครงข่ายประสาทเทียม (ANN) และแบบจำลองการอนุมานฟัซซีบนพื้นฐานโครงข่ายที่ปรับตัวได้ (ANFIS) จากนั้นเลือกแบบจำลองที่ให้ผลแม่นยำที่สุดแล้วทำการหาค่าที่เหมาะสมของปฏิภาคส่วนผสมที่ให้ราคาต่ำสุดของคอนกรีตที่มีกำลังอัดตามที่ต้องการด้วยอัลกอริทึมวัตถุประสงค์ (O) และอัลกอริทึมการอบเหนียว (SA) ส่วนการออกแบบปฏิภาคส่วนผสมคอนกรีตในอัลกอริทึมทั้งสองเลือกใช้ 2 วิธี ได้แก่ วิธีมาตรฐานของ American Concrete Institute (ACI) กับวิธีการสังเคราะห์ด้วยแบบจำลองที่ดีที่สุด โดยแบบจำลองและอัลกอริทึมเหล่านี้ได้ทำการพัฒนาด้วยโปรแกรม MATLAB R2016a จากผลการทดลองพบว่าแบบจำลองที่ดีที่สุดคือแบบจำลอง ANN เพราะว่าค่าสถิติที่ได้จากชุดข้อมูลมีค่าความแปรปรวนสัมบูรณ์ (R2) สูงกว่า 0.99 อีกทั้งแบบจำลอง ANN ยังมีพฤติกรรมความสัมพันธ์ที่น่าเชื่อถือระหว่างตัวแปรนำเข้าและตัวแปรส่งออกมากกว่าแบบจำลองที่เหลือซึ่งได้รับการยืนยันจากการเปรียบเทียบระหว่างผลลัพธ์การทำนายและผลลัพธ์การทดลองจากกราฟ 2 มิติ และ 3 มิติ ส่วนแบบจำลองที่มีความแม่นยำน้อยที่สุดคือแบบจำลอง MLR ซึ่งมีค่า R2 ต่ำที่สุดเท่ากับ 0.9155 ในขณะที่อัลกอริทึมสำหรับการหาค่าที่เหมาะสมของปฏิภาคส่วนผสมคอนกรีตจากการเปรียบเทียบระหว่าง อัลกอริทึม O และอัลกอริทึม SA ของการออกแบบส่วนผสมคอนกรีตด้วยวิธีเดียวกัน พบว่าอัลกอริทึม O ให้ราคาต่ำกว่าอัลกอริทึม SA และอัลกอริทึมที่ให้ราคาต่ำที่สุดคืออัลกอริทึม O-ACI อย่างไรก็ตาม O-ANN ให้ราคาสูงกว่าอัลกอริทึม O-ACI เพียงเล็กน้อย แต่อัลกอริทึม O-ANN ใช้เวลาในการค้นหาที่น้อยกว่าอัลกอริทึม O-ACI