Wyniki wyszukiwania - Biblioteka Nauki

1

Doświadczalne badania i modelowanie wytrzymałości BWW, wytwarzanego z dwuskładnikowych i trójskładnikowych spoiw

100%

Erdem T. K. , Tayfur G. , Kirca O.

|

2011

|

tom R. 16/78, nr 4

224-237

PL

Badano doświadczalnie wytrzymałość próbek betonu o wysokiej wytrzymałości, otrzymanych z dwuskładnikowych i trójskładnikowych spoiw oraz przeprowadzono próbę ich prognozowania za pomocą trzech modeli. Spoiwa dwuskałdnikowe składały się z cementu portlandzkiego, popiołu lotnego, lub z białego cementu portlandzkiego oraz metakaolinitu. Niektóre ze spoiw trójskładnikowych zawierały ponadto, oprócz cementu portlandzkiego i popiołu lotnego, popiół lotny krzemionkowy lub wapienny lub zmielony, granulowany żużel wielkopiecowy. Jeszcze inne spoiwa zawierały biały cement portlandzki, metakaolinit i zmielony pumeks. Próbki betonów przygotowano w laboratorium stosując różną zawartość spoiwa o zmiennym składzie. Doświadczalne wyniki pokazały, że popiół lotny i metakaolinit, zastosowane w odpowiedniej ilości, powodują znaczne zwiększenie wytrzymałości, w przypadku betonów ze spoiw dwuskładnikowych. Także popioły lotne: krzemionkowy i wapienny oraz żużel, jako trzeci składnik w spoiwach trójskładnikowych, również zwiększały wytrzymałość, podczas gdy dodatek pumeksu nie wiązał się ze wzrostem tej właściwości w przypadku białych betonów z białego cementu i metakaolinitu. Zastosowano trzy modele do prognozowania wytrzymałości. Były to: sztuczne sieci neuronowe, wielokrotna analiza regresji liniowej oraz nieliniowa wielokrotna analiza regresji. Dokładność tych modeli sprawdzono za pomocą analizy błędów. Stwierdzono, że można prognozować z dobrą dokładnością wytrzymałość próbek betonu wszystkimi trzema modelami. Jednak sztuczne sieci neuronowe oraz nieliniowa wielokrotna analiza regresji dają porównywalne wyniki i lepszą dokładność prognozowania niż liniowa wielokrotna analiza regresji, szczególnie w przypadku spoiw trójskładnikowych.

EN

The strength of high strength concrete (HSC) produced from binary and ternary binders was investigated experimentally and a modelling study was done. Binary blends were composed of Portland cement (PC) + silica fume (SF) or white portland cement (WPC) + high reactivity metakaolin (HRMK). Some of the ternary blends contained PC, SF and a third binder which was either fly ash class F (FA/F), or class C (FA/C) , or ground granulated blastfurnace slag (S). Some others contained WPC, HRMK and ground pumice (P). The HSC samples were prepared in laboratory by varying the total binder content and binder type. The experimental results show that, in the case of concretes from binary binders, SF and HRMK used in proper amounts caused the significantly increase of strength. FA/F, FA/C and S, as a third binder in ternary blends, also increased strength whereas P addition does not contribute to the strength increase in white concrete from WPC and HRMK. Three methods were used to predict some of the measured experimentally strength. There are: artificial neural network (ANN), multiple linear regression analysis (MLR) and nonlinear multiple regression analysis (NLMR). The accuracy of prediction was tested by error analyses. It was found that the strength of the concrete samples can be successfully predicted by all three methods. However, ANN and NLMR gave comparable results and predicted the strength better than MLR, especially for the ternary binders.

2

Sztuczne sieci neuronowe do prognozowania projektowych właściwości nasypu, z warstwą zawierającą cement, pod torowiska kolei dużych prędkości

100%

Egeli I. , Tayfur G. , Yilmaz E. , Usun H.

|

tom R. 18/80, nr 1

10--23

PL

Projektowanie nasypu kolejowego kolei dużych prędkości (KDP) jest złożonym zagadnieniem ze względu na duże wymagania geometryczne i dotyczące właściwości materiałów. W pracy zbadano możliwość zastąpienia warstwy nasypowej podtorza nie zawierającej cementu warstwą zawierającą dodatek cementu. W doświadczeniach zastosowano próbki złożone z piasku z różnym dodatkiem cementu i o różnej w/c. Wykorzystano także program Plaxis-FEM (2D) do znalezienia maksymalnych oczekiwanych wartości równomiernego osiadania nasypu z warstwą zawierającą dodatek cementu. Następnie przy użyciu sztucznych sieci neuronowych zbudowano model do prognozowania naprężenia niszczącego, modułu sprężystości i odkształcenia. Analiza wrażliwości wykazała, że zawartość cementu była najistotniejsza w przypadku prognozowania naprężenia i modułu sprężystości, natomiast czas twardnienia miał największą istotność w prognozowaniu odkształcenia.

EN

High-speed train railway (HSTR) embankment is a complicated process, as it deals with high geometric design standards and material properties. In this study the replaceability of fill strata without cement prepared subgrade layer and with cement addition one is investigated. In the experiments the specimens composed of natural sand with different cement additions and two w/c ratios were used. The Plaxis-FEM (20) program was employed to find the maximum expected total settlements of HSTR embankments with cemented subgrade layer. Furthermore, the artificial neural networks model was constructed to predict the failure stress, elasticity modulus and strains. The sensivity analysis has revealed that cement content was the most sensitive for stress and elasticity modulus predictions, while the curing age of specimens was for the strain forecast.

3

Estymacja mechanicznych właściwości wapienia przy zastosowaniu analizy regresji i sztucznych sieci neuronowych

100%

Teomete E. , Tayfur G. , Aktaş E.

|

2012

|

tom R. 17/79, nr 6

373-389

PL

Estymacja mechanicznych właściwości skał jest ważna dla badaczy i inżynierów pracujących w przemyśle cementowym i betonowym. W niniejszej pracy właściwości sprężyste badane przy użyciu młotka Schmidta, szybkość impulsu ultradźwiękowego, porowatość, ściskanie jednoosiowe i pośrednia próba rozciągania zostały przeprowadzone na wapieniu otrzymanym z historycznej budowli. Do konstrukcji modeli mechanicznych właściwości wapienia zastosowano analizę regresji. Sztuczne sieci neuronowe (SSN) zastosowano do wyznaczenia właściwości mechanicznych. Dopasowanie modeli regresji i SSN jest porównane z modelami znanymi z literatury. Otrzymane wyniki wskazują zadawalające dopasowanie modeli regresji i SSN z minimalnym błędem. Modele regresji między wytrzymałością na rozciąganie i porowatością, szybkością fali i porowatością opisano po raz pierwszy w literaturze. Również po raz pierwszy w literaturze opisano zastosowanie SSN do określenia mechanicznych właściwości wapienia. Po raz pierwszy zastosowano oddzielne zbiory danych do nauki i weryfikacji wyników nauki w analizie regresji mechanicznych właściwości wapienia. Modele skonstruowane w niniejszej pracy mogą być stosowane przez naukowców i inżynierów do ustalania związków między mechanicznymi właściwościami wapienia.

EN

Estimation of mechanical properties of rocks is important for researchers and field engineers working in cement and concrete industry. Limestone is used in cement production. In this study, Schmidt hammer, ultrasonic pulse velocity, porosity, uniaxial compression and indirect tension tests were conducted on limestone obtained from a historical structure. Regression analyses were used to develop models relating mechanical properties of limestone. Artificial Neural Network (ANN) was performed to determine the mechanical properties. The performance of regression models and ANN were compared by existing models in the literature. The results showed that the regression models and ANN yield satisfactory performance with minimum error. The regression models between tensile strength and wave velocity, tensile strength and porosity, wave velocity and porosity have been developed for the first time in literature. The ANN is used for the first time to estimate the mechanical properties of limestone. The use of separate training and testing sets in the regression analyses of mechanical properties of limestone is conducted for the first time. The models developed in this study can be used by researchers and field engineers to relate the mechanical properties of limestone.