ИССЛЕДОВАНИЯ ВЫЧИСЛЕНИЯ СОПРОТИВЛЕНИЯ СКОЛЬЖЕНИЯ ПЛИТОЧНЫХ ПОКРЫТИЙ, АРМИРОВАННЫХ СТЕКЛОВОЛОКНОМ

АННОТАЦИЯ

Данная статья исследует использование Системы искусственно нейронной сети для анализа сопротивления скольжения плиточных покрытий, армированных стекловолокном. Проводится анализ зарубежной литературы для дальнейшего исследования научного обоснования в этой сфере. А также даётся теоретический анализ системы ИНС.

ABSTRACT

This article explores the use of an Artificial Neural Network System to analyze the slip resistance of fiberglass reinforced tile flooring. An analysis of foreign literature is being carried out for further research on the scientific justification in this area. A theoretical analysis of the ANN system is also given.

Ключевые слова: Анализ, скольжение, экология, расходы, сети, направления, методами, моделирования, возможность, материал.

Keywords: Analysis, sliding, ecology, costs, networks, directions, methods, modeling, possibility, material.

Многие исследования были сосредоточены на характеристиках сопротивления скольжению и скольжению строительных материалов, чтобы снизить уровень аварийности в развитых странах. Эти страны, где наблюдаются суровые экологические условия, понесли огромные расходы, связанные с авариями скольжения. Ежегодно в результате несчастных случаев с падением получают травмы двести тысяч человек, из них около одного процента гибнут [ 3 ].

В настоящее время исследования проводятся по трем основным направлениям: обувь человека и ее стандарты, строительные материалы и их стандарты и окружающая среда [ 1 ]. Как правило, в промышленности строительных материалов все испытательное оборудование производится и работает на основе трения резины. Эти испытательные инструменты в основном состоят из вертикальной нагрузки, проектируемой скорости и колеса для измерения трения. В отличие от их простой конструкции, испытания на этом оборудовании иногда становятся сложными и дорогими, если для испытаний планируются крупногабаритные конструкционные материалы. Кроме того, результаты испытаний варьируются в зависимости от динамических факторов, таких как температура, скорость испытаний, качество и старение резины и даже кривизна материала [ 4]. Эти факторы напрямую влияют на сопротивление скольжению, и контролировать их в силу их природы весьма проблематично.

Для определения значения сопротивления скольжению материалов было разработано множество подходов. Некоторые из них зависят от 2-мерных или 3-мерных данных поверхности материала с помощью лазерных датчиков. Методы, основанные на деполяризации, изучались, но не совершенствовались, поскольку оптические свойства материалов не отражали взаимодействие между материалом и источником удара. Прогнозирование через свойства поверхности материала и соответствующие исследования в литературе могут включать некоторые регрессионные модели, нечеткую логику и искусственные нейронные сети .

Несмотря на то, что в последние годы накоплен широкий спектр знаний о взаимодействии между строительным материалом и источником салазок, безопасный и стабильный метод еще не разработан. Наиболее предпочтительным и одобренным материалом для изготовления испытательного оборудования является каучук. При испытаниях на сопротивление скольжению он теряет внутреннюю энергию сброса, что подтверждает, что основным фактором, влияющим на результат испытаний, является поверхность материала.

Искусственные нейронные сети (ИНС) являются характерными методами моделирования поведения функций мозга и нервной системы человека. ИНС — это информационная система, целью которой является предоставление возможностей, подобных человеческому мозгу, систем обучения, ассоциации, классификации, обобщения, оценки и оптимизации. Ограничения различных методов численного моделирования и недостатки многих математических моделей сильно нелинейного поведения грунтов также считаются сложными, трудоемкими и не всегда практичными для подходов к гражданскому строительству. В строительных материалах и инженерно-геологических задачах, как и во многих областях гражданского строительства, ИНС широко используются с высокой точностью для прогнозирования и моделирования значений сопротивлени.

Некоторые компоненты системы, включая функцию активации, алгоритм обучения и структуру архитектуры, учитываются в зависимости от производительности ИНС. Как правило, ИНС делятся на два основных типа: а именно, прямую связь (FF) и рекуррентную (R). Одной из самых известных FF-ANN является нейронная сеть многослойного восприятия (MLP). Архитектура ИНС может состоять из входного слоя, выходного слоя и одного или нескольких скрытых слоев. Сети с обратным распространением (BP) извлекают уроки из продолжающегося существования, и их характеристика получила широкое применение в гражданском строительстве. На точность предсказания модели влияет количество скрытых слоев и их нейронов в сети BP. Определение оптимального количества нейронов в скрытом слое и количества скрытых слоев в зависимости от сложности задачи и размера базы данных не может быть связано с правилом.  Нейроны выходного слоя взаимодействуют с системой внешней среды посредством конфигурации выхода. Ошибка чрезмерного расщепления в тренировочном наборе может привести к очень небольшому числу; однако, когда дата применяется к нейронной сети, она становится больше. Обучение MLP-ANN может выполняться по разным алгоритмам. Как сообщают несколько исследователей, для сетей используются алгоритмы обучения. В конце этапа обучения ИНС сеть выдает выходные данные для заданных входных данных. Эти выходные данные сравниваются с целевыми значениями, которые являются результатами моделирования.

Армирование плиточного материала стеклянными волокнами является эффективным и стабильным методом повышения прочности и долговечности плиточных материалов. Щелочестойкое стекловолокно было использовано для увеличения гибкости материалов для бетонных полов.

В смеси добавляли щелочестойкие стеклянные волокна из расчета 1 %, 1,5 %, 2 % и 2,5 % (максимум) параллельно с соответствующими литературными исследованиями. В качестве материала, заменяющего цемент, использовали карбонат кальция в количестве 5%, 7,5%, 2% и 10%.

Таблица 1.

Щелочестойкие свойства стекловолокна

После процесса распыления и отверждения материала плитки к поверхности материалов применялись методы полировки и пескоструйной обработки

Таким образом. Наиболее точный прогноз обычно получается с одним скрытым слоем. Однако выделение достаточного количества нейронов представлено по обратной связи этих методов. Входные переменные являются основными факторами, влияющими на ответы этой задачи. А выходные переменные, соответствующие количеству нейронов в выходном слое, являются ожидаемыми ответами на задачу.

Список литературы:

1. Z. Karaca, S. Gürcan, M. V. Gökçe, and O. Sivrikaya, “Assessment of the results of the pendulum friction tester (EN 14231) for natural building stones used as floor-coverings,” Construction and Building Materials, vol. 47, pp. 1182–1187, 2013.
2. F. Englander, T. J. Hodson, and R. A. Terregrossa, “Economic dimensions of slip and fall injuries,” Journal of Forensic Sciences, vol. 41, no. 5, pp. 733–746, 1996.
3. M. S. Redfern and B. Bidanda, “Slip resistance of the shoe-floor interface under biomechanically-relevant conditions,” Ergonomics, vol. 37, no. 3, pp. 511–524, 1994.
4. A. Ueckermann, D. Wang, M. Oeser, and B. Steinauer, “Calculation of skid resistance from texture measurements,” Journal of Traffic and Transportation Engineering, vol. 2, no. 1, pp. 3–16, 2015.
5. Садик Альпер Йилдизель, Есим Тускан, Гёкхан Каплан , « Прогнозирование значения сопротивления скольжению плиточных материалов, армированных стекловолокном », Достижения в области гражданского строительства , том. 2017 , 8 страниц , 2017