Yüksek Sıcaklık Etkisinde Kalan Betonun Basınç Dayanımı-Renk Değişimi İlişkisinin Yapay Sinir Ağları Yöntemi İle Tahmini Nabi Yüzer Bülent Akbaş YTÜ İnşaat Fakültesi, Beşiktaş/İstanbul GYTE Mimarlık Fakültesi, Gebze/Kocaeli Tel: (212) 259 70 70 Tel: (262) 605 10 00 nyuzer@yildiz.edu.tr akbasb@gyte.edu.tr Ahmet B. Kızılkanat YTÜ İnşaat Fakültesi, Beşiktaş/İstanbul Tel: (212) 259 70 70 bkkanat@yildiz.edu.tr Öz Yüksek sıcaklık etkisinde kalan betonun mekanik özelliklerinde olduğu gibi renk özelliğinde de önemli değişiklikler olmaktadır, ancak betonun dayanımı ile renk değişimi arasındaki ilişkiler ve bu ilişkilerden nasıl yararlanılacağı açık değildir. Bu çalışmada yüksek sıcaklığın ve söndürme türünün betonun fiziksel ve mekanik özelliklerine etkileri deneysel olarak araştırılmış, Yapay Sinir Ağları yönteminden yararlanılarak, renk değişimi ve ultrases geçiş hızı ile basınç dayanımı arasındaki ilişkiler araştırılmıştır. Bu amaçla CEM I 42.5 R çimentosu, kalker esaslı agrega ve %10 ikameli olarak katılan silis dumanı, uçucu kül, cüruf gibi farklı puzolanlar kullanılarak üretilen betonlar 100, 200, 300, 600 ve 900 C gibi farklı sıcaklıklara maruz bırakılmış, soğutma işlemi havada ve suda olmak üzere iki grupta gerçekleştirilmiştir. Oda sıcaklığına kadar soğutulan numunelerde kontrol deneyleri yapılmış, bu numunelerde rengin bileşenleri olan tür, değer ve doymuşluk, tayfsal ışıkölçer ile sayısal olarak belirlenmiştir. Deney sonuçları, yüksek sıcaklığa maruz kalan betonun renginde, ultrases geçiş hızında ve basınç dayanımında benzer değişikliklerin olduğunu göstermiştir. Betonun basınç dayanımı ile ultrases geçiş hızı ve renk değişikliği arasında, geri yayınım algoritması yardımıyla eğitilerek kurulan ve test edilen ileri beslemeli ve çok katmanlı bir yapay sinir ağı modeli kullanılarak ilişki kurulmuştur. Bu çalışmada kullanılan yaklaşımın, yüksek sıcaklığa maruz betonun basınç dayanımını oldukça iyi tahmin edebildiği gösterilmiştir. Sonuçlar bir başka yapay sinir ağı uygulaması ile de denenmiş ve benzer sonuçlar elde edilmiştir. Anahtar sözcükler: Basınç dayanımı, Renk, Ultrases geçiş hızı, Yapay sinir ağları, Yüksek sıcaklık Giriş Herhangi bir nedenle yüksek sıcaklık etkisine maruz kalan betonun mekanik özelliklerinde olduğu gibi renginde de birtakım değişiklikler görülür (Andrade ve diğ., 2003). Örneğin renk, pembe veya kırmızı ise sıcaklığın 300-600 C ye, gri ise 271
600-900 C ye, sarımtırak bej ise 900-1000 C ye yükseldiği ifade edilmektedir (Andrade ve diğ., 2003; Neville, 2000). Diğer bir çalışmada pembe renkli betonun, dayanımının ve elastisite modülünün önemli derecede azaldığı, beyazımsı-gri veya sarımsı-bej renkli betonun ise zayıf ve gevrek olduğu belirtilmiştir. Renkteki bu değişimin nedeni demir içeren bileşenlere bağlanmıştır (Andrade ve diğ., 2003). Sıcaklık 600 C ye ulaştığında beton, dayanımının %50 sini, 800 C ye ulaştığında ise yaklaşık %80 ini kaybettiği göz önüne alınırsa, renk incelemesi ile betonun hangi sıcaklığa maruz kaldığı, dolayısı ile basınç dayanımında meydana gelen değişim hakkında fikir edinilebilir. Buradan yüksek sıcaklık etkisinde kalan betondaki renk değişiminin önemli bir parametre olduğu anlaşılmaktadır (Neville, 2000). Cisimlerin fiziksel özelliklerinden olan renk, çeşitli renk dizgeleri ile değerlendirilir. Bunlardan Munsell Renk Dizgesi nde, rengin tür, değer ve doymuşluk bileşeni yaklaşık olarak eşit algılama adımları ile ondalık sayı dizgesine oturtularak numaralanmıştır. Tür, kırmızı, sarı, yeşil gibi bir rengin öteki renklerden ayırt edilmesini sağlayan bileşendir. Değer, rengin açıklık ve koyuluğunu, doymuşluk ise bir rengin içindeki gri miktarını belirten bileşendir (Luke, 1996; ASTM 1535-68, 1974). Yukarıda temel özellikleri kısaca verilen renk dizgesi kullanılarak yapılan önceki bir çalışmada yüksek sıcaklığın silis dumanı katkılı ve katkısız harçlara olan etkileri araştırılmış, harçların maruz bırakıldığı her sıcaklık için yüzey rengi ve basınç dayanımları belirlenmiş, rengin tür bileşeni ile basınç dayanımı arasında bir ilişki kurulabileceği sonucuna varılmıştır (Yüzer ve diğ., 2004). Short ve diğ. (2001) tarafından yapılan başka bir çalışmada beton numunelerde farklı sıcaklıklar için basınç dayanımları ve yüzey renkleri ölçülmüş, silis esaslı agrega kullanıldığında renk ile basınç dayanımı arasında bir ilişki kurulabileceği görülmüştür. Bir diğer çalışmada yüksek sıcaklık etkisine maruz bırakılan harçların yüzey renginde kırmızı oranının arttığı tespit edilmiştir. Aynı çalışmada 600ºC ve 1000ºC ye maruz kalan numunelerde EDS analizi yapılmış, silisyum, oksijen ve kalsiyum elementlerinin oranlarının önemli ölçüde değiştiği tespit edilmiştir (Luo ve Fin, 2007). Tüm bu verilerin ışığında, yüksek sıcaklık etkisine maruz kalan betonun yüzey renginin değiştiği ve bu renk değişiminin betonu oluşturan bileşenlerdeki elementlerin oranlarının değişimi sonucu meydana geldiği anlaşılmaktadır. Sonuç olarak yüksek sıcaklık etkisine maruz kalan betonun basınç dayanımının tahmininde renk ölçümünden yararlanabileceği söylenebilir. Yazılım ve bilgisayar teknolojisindeki gelişmeler karmaşık mühendislik problemlerinin çözümünde Yapay Sinir Ağları (YSA) analizi ile doğrusal olmayan ilişkiler kurulmasına olanak sağlar (Garret ve diğ., 1997). Özellikle son yirmi yılda YSA yöntemi inşaat mühendisliğinde yaygın bir şekilde kullanılmaktadır (Flood, 1989; Cladera ve Mari, 2004; Zhao, 2005; Chiang ve Yang, 2005; Yüzer ve diğ., 2007). Bu çalışmanın amacı yüksek sıcaklık etkisine maruz kalan betonun basınç dayanımı, ultrases geçiş hızı ve rengin tür, değer ve doymuşluk bileşenleri arasında, geri yayınım algoritması yardımıyla eğitilerek kurulan ve test edilen ileri beslemeli ve çok katmanlı YSA modeli ile bir ilişki kurmaktır. Yukarıda adı geçen girdi parametrelerinin belirlenmesi amacı ile farklı puzolanlar ve daha önceki çalışmamızdan (Yüzer ve diğ., 2007) farklı olarak kalker esaslı agrega ile hazırlanan dört seri beton numunesi yüksek sıcaklık etkisine maruz bırakılmıştır. Kontrol deneylerinden elde edilen veriler kullanılarak YSA yardımı ile basınç dayanımı, ultrases geçiş hızı ve renk değişimi arasında bir ilişki kurulmuştur. 272
Deneysel Çalışma Deneysel çalışma, numune üretimi, kürü, ısıtma-soğutma süreci, fiziksel ve mekanik deneyler olmak üzere dört aşamada gerçekleştirilmiştir. Numune üretiminde maksimum dane çapı 16 mm olan kalker esaslı agrega, özellikleri Tablo 1 de verilen CEM I 42.5 R, silis dumanı, uçucu kül ve cüruf kullanılmıştır. Numuneler, kullanılan puzolan türü ve soğutma şekline göre Tablo 2 de gösterildiği gibi kodlanmıştır. Puzolan malzemelerin her biri çimento ağırlığının %10 u oranında ikameli olarak katılmıştır. Her sıcaklık için altı adet olmak üzere toplam 126 adet 100 mm çapında 200 mm yüksekliğinde silindir beton numune üretilmiştir. Betonda su/bağlayıcı oranı 0.5 ile sabit tutulmuş, çökmenin sabit tutulması amacı ile %0.5-0.6 oranlarında, katı madde oranı %35,8 olan polikarboksilat esaslı hiper akışkanlaştırıcı katkı maddesi kullanılmış, TS EN 206-1 e uygun olarak üretilen betonlar 24 saat sonra kalıptan çıkarılmış, 28. güne kadar 20±2 C sıcaklıktaki suda saklanmıştır. Tablo 1 Çimento ve puzolanların kimyasal analizi ve fiziksel özellikleri. Kimyasal Özellikler (%) CaO SiO 2 Al 2 O 3 Fe 2 O 3 MgO SO 3 Kızdırma Kaybı CEM I 42.5 R 64,05 20,95 4,98 3,24 1,29 2,59 1,35 Silis Dumanı 1,42 92,73 1,30 0,28 0,75 0,19 1,44 Uçucu Kül 1,90 60,13 19,00 8,98 4,77 0,95 1,69 Cüruf 34,20 41,11 13,74 1,16 5,81 2,23 0,00 Özgül Ağırlık (g/cm 3 ) 3,19 2,33 2,21 2,91 Özgül Yüzey (Blaine,cm 2 /g) 3620 --- 3545 3335 Tablo 2 Numune kodları. Soğutma Türü Puzolan Türü Havada (A) Suda (W) Katkısız (O) OA OW Silis Dumanı Katkılı (Ms) MsA MsW Uçucu Kül Katkılı (F) FA FW Yüksek Fırın Cürufu Katkılı (S) SA SW Sıcaklık( C):Kod 20:0 100:1 200:2 300:3 600:6 900:9 Isıtma ve soğutma süreci, numunelerin yüksüz olarak istenilen sıcaklık derecesine kadar ısıtılması ve oda sıcaklığına kadar soğutulduktan sonra kontrol deneylerinin yapılması prensibine göre planlanmıştır. 28. günde sudan çıkarılan numuneler, önce etüvde 100±5 C de 48 saat bekletilmiş, sonra ısınma hızı 8±4 C/dk olan fırında 100, 200, 300, 600 ve 900 C sıcaklıklara kadar ısıtılmıştır. Havada soğutmada, fırından çıkarılan numuneler ızgaralar üzerine yerleştirilerek bütün yüzeylerinin hava ile teması sağlanmıştır. Suda soğutmada ise numuneler, içinde oda sıcaklığında durgun su bulunan deney kaplarına konulmuş, su değiştirilmek sureti ile oda sıcaklığına kadar soğutulmuştur. 273
Dayanımda ve renkte meydana gelen değişimlerin karşılaştırılması amacı ile ısıtma ve soğutma süreçlerinden sonra numunelerin yüzeyinde rengin bileşenleri tayfsal ışıkölçer ile ölçülmüş, aynı numunelerde ultrases geçiş hızları belirlenmiş ve basınç deneyi yapılmış, sonuçlar Tablo 3-4 te verilmiştir. Yapay Sinir Ağı Modeli YSA lar basit matematiksel yapılar olarak değerlendirilir ve birçok parametre arasında güvenli bir ilişki kurulmasında oldukça uygun araçlardır. YSA ları oldukça yüksek dereceden doğrusal olmayan problemleri kolaylıkla çözebilirler. Bir YSA modeli üç ana bileşenle tanımlanabilir: transfer fonksiyonu, ağ yapısı ve öğrenme kuralı. YSA ların bazı temel avantajları şöyle sıralanabilir: (1)YSA modelleri, girdi verilerinin hatalı veya eksik olması durumlarında bile anlamlı sonuçları örneklerden ve tecrübelerden öğrenir ve genelleştirme yapar; (2)YSA modelleri zamanla yeni çözümlere uyarlanabilir ve değişen koşullardan dolayı oluşan değişiklikleri telafi edebilir; (3)YSA modelleri geçmiş tecrübelerden iyi ve güvenli teorik, deneysel veya ampirik verileri veya bunların kombinasyonlarını değerlendirebilir (Rafiq ve diğ., 2001). Tipik bir n girdi nodlu, m gizli nodlu, bir çıktı nodlu, üç katmanlı ve ileri beslemeli YSA modeli Şekil 1 de görülmektedir. YSA modeline sunulan veriler girdi nodlarıyla, modelin çıktıları ise çıktı nodlarıyla gösterilir. Gizli nod ise YSA modelinin çıktısını girdi örneklerinin faydalı özellikleri yardımıyla hatırlamaya ve elde etmeye yarayan bir arayüz görevi görür (Rafıq ve diğ., 2001; Günaydın ve Doğan, 2004). Şekil 1 Tipik bir YSA modeli Tipik bir YSA modeli bir grup işleme elemanından (İE) oluşur ve bu elemanlar sinirler olarak adlandırılır. Bir İE, üç temel bileşenli bir bilgi işleme birimi olarak tanımlanır: (1) bir sinaptik seti; (2) bir toplayıcı; (3) bir aktivasyon fonksiyonu. İE, ağırlıklandırılmış girdilerin toplamını hesaplamak, toplamdan bu girdilerin eşik değerini çıkarmak ve elde edilen sonuçları aşağıdaki gibi bir fonksiyonla transfer etmek olarak tanımlanabilir (Haykin, 1994): u i n = ϕ ( w x θ ) (1) j= 1 ij j i Denklem (1) de u i, bir İE nin çıktısını; w ij, i. İE ile ilgili sinaptik ağırlıkları; x j girdi sinyalini; θ i, İE nin eşik değerini; ve ϕ (.), dönüşüm (aktivasyon) fonksiyonunu temsil etmektedir. Bütün İE ler bir sonraki katmandaki diğer İE lere bağlanmıştır ve paralel 274
olarak işlerler. Aktivasyon fonksiyonu, bir İE nin girdisindeki aktivite seviyesi cinsinden çıktısını tanımlar ve doğrusal veya doğrusal olmayan bir formda olabilir. Doğrusal bir aktivasyon fonksiyonun çıktısı basit haliyle girdisine eşit olacaktır. YSA larının kurulmasında en yaygın olarak kullanılan aktivasyon fonksiyonu, -1 ve 1 arasında çıktı değerleri üreten aşağıdaki gibi bir hiperbolik tanjant fonksiyonudur (Neuro Solutions, 2003): f ( i i x ) = tanh( βx ) (2) Denklem 2 de β fonksiyonun eğimini kontrol etmektedir. Genellikle, ağın stabilitesini denemek amacıyla gizli katmandaki İE sayısını değiştirerek bir parametrik çalışma yapılması tavsiye edilmektedir (Neuro Solutions, 2003). Bu çalışmada, YSA modelleri üç adımda oluşturulmuştur: modelleme, eğitim ve sınama. Deneysel çalışma, renkteki ve ultrases geçiş hızındaki değişikliklerin tanımlanması ve iç kurallar modelleme aşamasında değerlendirilmiştir. Verilerin hazırlanması ve eğitim için öğrenme kurallarının uyarlanması, eğitim aşamasında gerçekleştirilmiştir. Son olarak kurulan modelin tahmin edebilme doğruluğu (gerçek ve tahmin edilen beton basınç dayanımları) ise sınama aşamasında değerlendirilmiştir. YSA nın Modellenmesi Girdi katmanında, betonun basınç dayanımını (çıktı verisi, Y 1 ) değerlendirmek amacıyla dört girdi parametresi seçilmiştir (Tablo 3). Bu parametreler X 1, X 2, X 3 ve X 4 tür. 1. parametre tür (hue), 2. parametre değer (value), 3. parametre doymuşluk (chroma), 4. parametre ultrases geçiş hızıdır. Bu girdi parametrelerinin değişim aralıkları Tablo 3 te verilmiştir. Bütün girdi parametreleri YSA modeline yukarıdaki gibi girilmiştir. Tablo 3 Girdi parametreleri. Girdi Tanımı Değişim Aralığı Parametresi X 1 Tür (Hue) 21.7-48.4 X 2 Değer (Value) 4.6-7.9 X 3 Doymuşluk (Chroma) 0.10-0.68 X 4 Ultrases Geçiş Hızı (mm/µsec) 0.14-4.64 Y 1 Basınç Dayanımı (N/mm 2 ) 7.44-42.10 Üretilen betonda ise 47 olay kullanılmıştır. Tablo 4, betonda her olay için kullanılan girdi parametrelerini göstermektedir. Basınç dayanımları (çıktı verisi, Y 1 ) ve betondaki 47 olay için girdi değişkenleri iki ayrı sete ayrılmıştır. Setlerin birisi YSA modelinin eğitiminde kullanılmış (Tablo 4 teki ilk 38 olay), diğer set ise eğitilen ağın sınanması için ayrılmıştır. Sınama amacıyla, tüm verilerin %20 si (9 olay) her eğitim çevriminde sınama amacıyla rasgele seçilmiştir (Tablo 4 teki kesik çizgilerin altındaki olaylar). Sınama amacıyla seçilen verilerin en büyük ve en küçük değerler arasında olmasına çalışılmıştır. Eğitim ve sınama amacıyla ayrılan setler YSA modeli için ilk olarak normalleştirilmişlerdir. 275
Tablo 4 YSA modelinin kurulmasında kullanılan olaylar. Olay No. Numune (X 1 ) (X 2 ) (X 3 ) (X 4 ) (Y 1 ) (Y NN ) 1 O0 45.2 6.1 0.11 4.34 33.01 31.51 2 O1A 43.6 6.1 0.15 4.40 29.40 34.16 3 O2A 38.0 5.3 0.20 4.31 34.28 34.84 4 O3A 39.6 5.5 0.16 4.39 37.88 35.65 5 O6A 21.7 6.1 0.27 3.56 33.61 33.79 6 O9A 21.9 7.7 0.56 1.95 18.00 16.77 7 O0W 45.2 6.1 0.11 4.34 33.01 31.51 8 O1W 47.0 5.7 0.12 4.37 31.84 32.55 9 O2W 36.0 5.5 0.16 4.36 33.80 34.61 10 O3W 40.5 5.6 0.10 4.28 32.03 31.37 11 O6W 23.2 4.6 0.28 3.70 22.74 23.07 12 O9W 22.2 7.5 0.54 0.15 7.44 7.71 13 Ms0 48.4 5.7 0.10 4.53 35.86 36.98 14 Ms1A 44.6 5.5 0.12 4.51 37.65 37.72 15 Ms2A 42.9 6.3 0.14 4.58 42.10 39.36 16 Ms3A 46.1 6.2 0.13 4.64 40.38 41.05 17 Ms6A 22.5 6.3 0.23 3.09 33.08 32.88 18 Ms9A 25.3 7.6 0.38 0.98 15.83 16.05 19 Ms0 48.4 5.7 0.10 4.53 35.86 36.98 20 Ms1W 45.4 6.3 0.16 4.50 40.01 38.14 21 Ms2W 40.8 5.1 0.11 4.53 39.55 38.03 22 Ms3W 47.7 5.7 0.14 4.54 40.61 39.88 23 Ms6W 26.8 6.3 0.23 3.25 23.81 24.37 24 Ms9W 26.1 7.9 0.40 0.14 8.82 8.63 25 F1A 41.7 5.6 0.16 4.22 29.97 29.52 26 F2A 37.3 6.0 0.11 4.40 31.24 32.94 27 F6A 28.1 5.7 0.17 3.67 28.18 27.28 28 F9A 22.6 6.9 0.53 1.83 22.57 17.82 29 F2W 42.6 5.8 0.10 4.27 28.05 30.95 30 F3W 39.0 5.4 0.12 4.19 28.93 30.51 31 F6W 25.3 5.3 0.33 3.67 20.58 20.33 32 S9W 23.6 7.2 0.68 0.16 9.21 9.32 33 S9A 23.4 6.7 0.50 1.77 18.37 18.06 34 S6W 24.1 6.5 0.38 2.51 22.67 22.07 35 S1A 38.9 5.5 0.13 4.49 33.57 37.05 36 S3A 40.8 5.9 0.12 4.28 34.49 31.23 37 S2W 39.7 5.3 0.13 4.36 37.30 33.71 38 S6A 24.2 5.6 0.45 3.66 30.52 30.66 39 S2A 38.8 5.4 0.12 4.37 32.83 33.45 40 S0 40.3 5.6 0.13 4.43 34.97 35.16 41 F3A 33.0 6.0 0.16 4.32 33.55 32.88 42 S0 40.3 5.6 0.13 4.43 34.97 35.16 43 S1W 33.9 5.4 0.18 4.35 32.37 35.45 44 S3W 39.4 5.7 0.13 4.20 34.83 30.36 45 F0 40.3 5.6 0.11 4.21 32.38 30.59 46 F1W 35.3 5.7 0.12 4.34 34.56 32.53 47 F0 40.3 5.6 0.11 4.21 32.38 30.59 276
YSA nın Eğitimi Bu çalışmada, YSA modelinin eğitimi için standart geri yayınım algoritması kullanılmıştır (Neuro Solutions, 2003). Bu çalışmadaki NN modelleri, 4 girdi parametresine karşılık gelen 4 tane birbiriyle bağlı İE lı ve hedef olarak seçilen bir çıktı katmanına karşılık gelen 1 İE lı bir girdi katmanıyla oluşturulmuştur. Birkaç denemeden sonra bir gizli katman ve aktivasyon fonksiyonu olarak da hiperbolik tanjant fonksiyonunun kullanılmasına karar verilmiştir. YSA nın Sınanması Sınama aşaması, YSA modelinin performansını göstermektedir. Sınama, eğitim sırasında elde edilen en iyi ağırlıklarla gerçekleştirilir. Ağırlık çarpanları bu aşamada değişmez. YSA modelinin eğitilmiş ağırlık çarpanlarının geçerliliği eğitilen YSA modelinin tahminlerinin doğruluğunun sınanması için ayrılan verilerle yapılır. Bu çalışmada YSA modelinin performansı, aşağıdaki gibi basınç dayanımı hata yüzdesi (EPE CS ) ile ölçülmüştür: EPE CS x( i) X ( i) = x100% (3) X ( i) Tüm YSA modelinin performansı ise ağırlıklı hata (WE) yardımıyla aşağıdaki gibi tanımlanabilir (Hegazy ve Ayed, 1998): (%)WE = 0.5 (Eğitim seti için ort. EPE CS ) + 0.5 (Sınama seti için ort. EPE CS ) (4) Kalker esaslı agrega ile üretilen bu betonda 9 sınama olayı için ortalama EPE CS, %4.92, 38 eğitim olayı için ise %4.39 olarak hesaplanmıştır. WE ise %4.66 olarak bulunmuştur. Şekil 2 a ve b sırasıyla sınama ve eğitim olayları için tahmin edilenle gerçek basınç dayanımları arasındaki hata yüzdelerini göstermektedir. EPECS 10 5 0-5 -10 1 2 3 4 5 6 7 8 9 Olay No. Eğitilen olaylardaki hata yüzdes 20 10 0-10 1 2 3 4 5 6 7 8 9 1011121314151617181920212223242526272829303132333435363738 Olay No. a b Şekil 2: Tahmin edilen ve gerçek basınç dayanımları arasındaki hata yüzdeleri a) 9 sınama olayı için, b) 38 eğitim olayı için. Tablo 4 teki son kolon (Y NN ), eğitim ve sınama setleri için YSA modeli ile tahmin edilen basınç dayanımlarını göstermektedir. Tahmin edilen veriler (Y NN ) ile deney sonuçları (Y 1 ) karşılaştırıldığında (Şekil 3), korelasyon katsayısı yüksek doğrusal bir ilişki elde edilmiştir. 277
Tahmin Edilen Basınç Dayanımı (MPa) 50 40 30 20 10 0 R=0,97 0 10 20 30 40 Gerçek Basınç Dayanımı (MPa) 50 Şekil 3 Tahmin edilen basınç dayanımı ile gerçek dayanımların karşılaştırılması. Sonuçlar bir başka YSA uygulaması ile de sınanmış ve benzer sonuçlar elde edilmiştir (Hegazy ve Ayed, 1998). Hegazy ve Ayed in yönteminin kullanıldığı bu uygulamada eğitim ve sınama olayları için EPE CS sırasıyla %2.62 ve %2.76 bulunmuş, WE ise %2.69 olarak hesaplanmıştır. 70 Pulse Velocity 60 Hassasiyet (%) 50 40 30 20 10 Hue Value Chroma 0 Tasarım Parametreleri Şekil 4 Hassasiyet analizi sonuçları. Hassasiyet analizi, YSA modelindeki her bir girdi parametresinin modelin çıktısı üzerindeki etkisi hakkında önemli bilgiler vermektedir. Böylece modeli kullananlar, modelin boyutunu azaltmak için önemsiz girdi kanallarını modelden çıkarabilme seçeneğine sahip olurlar. Hassasiyet analizi sırasında, modeldeki girdiler hafifçe kaydırılır ve çıktıdaki değişiklikler toplamı %100 olacak şekilde yüzde cinsinde ifade edilir (Neuro Solutions, 2003). Ultrases geçiş hızı %65.0 ile basınç dayanımı üzerindeki en etkin parametre olarak bulunmuştur (Şekil 4). Value ise %5.96 ile en az önemli parametre olmuştur. Hue ve Chroma nın etkileri ise sırasıyla %9.91 ve %19.13 olarak belirlenmiştir. 278
Sonuç Yüksek sıcaklığın ve soğutma türünün, kalker esaslı agrega ve farklı puzolanlar ile üretilen betonun basınç dayanımı ve renk değişimine etkilerinin araştırıldığı bu deneysel çalışmadan elde edilen sonuçlar aşağıda verilmiştir: Bu çalışmada, 4 girdi parametresi kullanılarak oluşturulan iki Yapay Sinir Ağları (YSA) modeli yardımıyla yüksek sıcaklığa maruz betonun basınç dayanımı belirlenmeye çalışılmıştır. YSA modelini eğitmek için 38 olay kullanılmıştır. Sınama ise 9 olayla gerçekleştirilmiştir. Elde edilen sonuçlarda %95.34 ortalama doğruluk saptanmıştır. Sonuçlar ayrıca betonun basınç dayanımının 4 girdi parametresi yardımıyla oldukça doğru bir şekilde tahmin edilebileceğini göstermiştir. Yüksek sıcaklık etkisine maruz kalan betonda renk ölçümü yapılarak betonun maruz kaldığı sıcaklık belirlenebilir. Betondan karot numune alınarak, betonun rengindeki değişiklikler, derinliğe bağlı olarak incelenebilir, betonun yüzeyden itibaren maruz kaldığı sıcaklık ve donatının eriştiği sıcaklık tahmin edilebilir. Buradan, betonun basınç dayanımında ve aderans dayanımında meydana gelen kayıplar hakkında fikir edinilebilir. Sonuç olarak yüksek sıcaklık etkisine maruz kalan betonarme yapıların yüzeyindeki renk değişimi, betonun kalan dayanımının tespitinde bir tahribatsız muayene yöntemi olarak kullanılabilir. Teşekkür Yazarlar, IÇTAG-1682: Yangına Maruz Yapılarda Beton Basınç Dayanımı- Renk Değişimi İlişkisinin Araştırılması adlı Araştırma Projesini destekleyen TÜBİTAK a teşekkür eder. Kaynaklar ASTM D 1535-68 (1974) Standard Method of Specifying Color by the Munsell System. Andrade, C., Alonso, C., Khoury, G.A. (2003) Relating microstructure to properties. Course on Effect of Heat on Concrete. International Centre for Mechanical Sciences (CISM), Italy. Chiang, C.H. and Yang, C.C. (2005) Artificial neural networks in prediction of concrete strength reduction due to high temperature. ACI Materials Journal, Vol.102, No.2, pp. 93-102. Cladera, A. and Mari, A.B. (2004) Shear design procedure for reinforced normal and high-strength concrete beams using artificial neural networks. Part I: Beams without stirrups. Engineering Structures, No.26, pp. 917 926. Flood, I. (1989) A neural network approach to the sequencing of construction tasks. Proceedings of the Sixth International Symposium on Automation and Robotics in Construction, Construction Industry Institute, Austin, Texas, pp. 204-11. 279
Garret, J.H., Gunaratham D.J. and Ivezic N. (1997) Artificial Neural Networks for Civil Engineers: Fundamentals and Applications, In: Kartam N., I.Flood (Ed.), ASCE, pp. 1-17. Günaydın, H.M. and Doğan S.Z. (2004) A neural network approach for early cost estimation of structural systems of buildings. International Journal of Project Management, Vol. 22, pp. 595-602. Haykin, S. (1994) Neural Networks: A Comprehensive Foundation. Macmillan College Publishing Company, Inc. NJ. Hegazy, T. and Ayed A. (1998) Neural network model for parametric cost estimation of highway projects. Journal of Construction and Engineering and Management, Vol. 124, No.3, pp. 210-218. Luke, J.T (1996) The Munsell Color System: A Language for COLOR. Fairchild Publications, USA. Luo, H.L. and Fin D.F. (2007) Study the surface color of sewage mortar at high temperature. Construction and Building Materials, Vol. 21, No. 1, pp. 90-97. Neuro Solutions, Neurodimension, Inc., Version 4.24., 2003. Neville, A.M. (2000) Properties of Concrete. Fourth Edition, Longman Scientific and Technical, pp. 581-585, NY, USA. Rafiq, M.Y., Bugmann G.and Easterbrook D.J. (2001) Neural network design for engineering applications. Computers and Structures, No.79, pp. 1541-52. Short, N.R., Purkiss J.A.and Guise S.E. (2001) Assesment of fire damaged concrete using colour image analysis. Cement and Concrete Research, Vol. 15, No. 1, pp. 9-15. Yüzer N., Aköz F.and Öztürk L.D. (2004) Compressive strength color change relation in mortars at high temperature. Cement and Concrete Research, Vol. 34,No. 10, pp. 1803-1807. Yüzer N., Akbaş, B. and Kızılkanat A.B. (2007) Predicting the compressive strength of concrete exposed to high temperatures with a neural network model. TÇMB, 3rd International Symposium, Sustainability in Cement and Concrete, Vol 1, pp. 455-464. 280