Prédiction des propriétés du béton recyclé par la méthodologie des surfaces de réponse et des réseaux de neurones artificiels.

Abstract

Le travail présenter dans ce manuscrit concerne la modélisation et la prédiction des propriétés du béton à base du béton recyclé par la méthode des surfaces de réponse et la méthode des réseaux de neurone artificiel. Pour ce faire, une campagne expérimentale a été fait suivant le plan composite central avec trois variables (teneur en ciment de 300 à 400 kg/m3, pourcentage du gravier recyclés de 0 à 100% et l’affaissement de 5 à 12 ± 1 cm). Les résultats en termes statistiques; écart relatif en pourcentage (ERP), erreur quadratique moyenne (EQM), racine de l’erreur quadratique moyenne (REQM), coefficient de détermination (R2) et coefficient de détermination ajusté (R2 ajusté), révèlent que les deux approches RNA et MSR sont des outils puissants pour la prédiction des propriétés de béton. De plus, les modèles RNA et MSR sont très bien corrélés aux données expérimentales. Cependant, le modèle de réseau neuronal artificiel montre une meilleure précision.

The work presented in this manuscript concerns the modeling and prediction of the properties of concrete based on recycled concrete by the response surface methodology and the artificial neuron network method. To do this, an experimental campaign was made following the central composite plan with three variables (cement content from 300 to 400 kg/m3, percentage of gravel recycled from 0 to 100% and slump from 5 to 12 ± 1 cm). The results in statistical terms; Percentage Relative Deviation (RDP), Mean Square Error (MSE), Root Mean Square Error (RMSE), Coefficient of Determination (R2), and Adjusted Coefficient of Determination (R2 adjusted), reveal that both RNA and MSR approaches are powerful tools for prediction of concrete properties. In addition, the RNA and MSR models correlate very well with the experimental data. However, the artificial neural network model shows better accuracy.

.