Skip to main content
main-content

Tipp

Weitere Artikel dieser Ausgabe durch Wischen aufrufen

28.10.2019 | Research Article - Civil Engineering | Ausgabe 5/2020

Arabian Journal for Science and Engineering 5/2020

Generalized Regression Neural Network and Empirical Models to Predict the Strength of Gypsum Pastes Containing Fly Ash and Blast Furnace Slag

Zeitschrift:
Arabian Journal for Science and Engineering > Ausgabe 5/2020
Autoren:
Tahir Kemal Erdem, Okan Cengiz, Gökmen Tayfur

Abstract

Gypsum is widely used in constructions owing to its easy application, zero shrinkage, and excellent fire resistance. Several parameters can affect the properties of gypsum pastes. To study the strength of the gypsum pastes experimentally by trying all these parameters is time-consuming and costly. Therefore, artificial intelligence methods can be very useful to predict the paste strength, which, in turn, can reduce the number of trial batches. Based on experimental data, the generalized regression neural network (GRNN) and empirical models were developed to predict strength of gypsum pastes containing fly ash (FA) and blast furnace slag (BFS). Gypsum content, pozzolan content, curing temperature, curing duration, and testing age constituted the input variables of the models while the paste strength was the target output. The trained and tested GRNN model was found to be successful in predicting strength. Sensitivity analysis by the GRNN model revealed that the curing duration and temperature were important sensitive parameters. In addition to the GRNN model, empirical models were proposed for the strength prediction. The same input variables formed the input vectors of the empirical models. The same dataset used for the calibration of the GRNN model was employed to establish the empirical models by employing genetic algorithm (GA) method. The empirical models were successfully validated. The GRNN and GA_based empirical models were also tested against the multi-linear regression (MLR) and multi-nonlinear regression (MNLR) models. The results showed the outperformance of the GRNN and the GA_based empirical models over the others.

Bitte loggen Sie sich ein, um Zugang zu diesem Inhalt zu erhalten

Sie möchten Zugang zu diesem Inhalt erhalten? Dann informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 69.000 Bücher
  • über 500 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Umwelt
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Testen Sie jetzt 30 Tage kostenlos.

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 50.000 Bücher
  • über 380 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Umwelt
  • Maschinenbau + Werkstoffe




Testen Sie jetzt 30 Tage kostenlos.

Literatur
Über diesen Artikel

Weitere Artikel der Ausgabe 5/2020

Arabian Journal for Science and Engineering 5/2020 Zur Ausgabe

Premium Partner

    Marktübersichten

    Die im Laufe eines Jahres in der „adhäsion“ veröffentlichten Marktübersichten helfen Anwendern verschiedenster Branchen, sich einen gezielten Überblick über Lieferantenangebote zu verschaffen. 

    Bildnachweise