ConfOrganizer 

  Abstract |    References | 

---

Paper References

• 1. Kang, M. C., Yoo, D. Y., & Gupta, R. (2021). Machine learning-based prediction for compressive and flexural strengths of steel fiber-reinforced concrete. Construction and Building Materials, 266, 121117
• 2. Abuodeh, O. R., Abdalla, J. A., & Hawileh, R. A. (2020). Assessment of compressive strength of Ultra-high Performance Concrete using deep machine learning techniques. Applied Soft Computing, 95, 106552.
• 3. Vidivelli, B., & Jayaranjini, A. (2016). Prediction of compressive strength of high performance concrete containing industrial by products using artificial neural networks. Int J Civ Eng Technol, 7(2), 302-314.
• 4. رمضانیانپور، علی اکبر و پیلوار، امیررضا و سبحانی، جعفر،(1391)،تخمین مقاومت فشاری بتن با استفاده از شبکه عصبی مصنوعی،چهارمین کنفرانس ملی بتن ایران،تهران
• 5. ترکان، مهتاب و نادری دهکردی، محمد،(1395)،بهینه سازی مدل رگرسیون بردار پشتیبان (SVR) با استفاده از الگوریتم بهینه سازی ازدحام ذره (PSO) به منظور پیش بینی مقاومت فشاری 28 روزه بتن،کنفرانس بین المللی مهندسی و علوم کامپیوتر،نجف آباد
• 6. داودی، هادی،(1395)،ارزیابی تاثیر فوق روان کننده بر مقاومت فشاری بتن با استفاده از الگوریتم طبقه بندی درخت تصمیم،چهارمین همایش ملی مصالح ساختمانی و فناوری های نوین در عمران،معماری و شهرسازی،میبد
• 7. برنجیان، جواد و فروهر، نویدرضا و قاسمی، محسن،(1393)،پیش بینی مشخصات سخت شده بتن خودتراکم الیافی به کمک شبکه های عصبی مصنوعی

  Abstract |    Highlights |    References | 

---

Paper Highlights

•  مقدار مورد نیاز فوق‌روان‌کننده برای دستیابی به کارایی مناسب برای طرح حاوی RSF در مقایسه با طرح حاوی ISF بایستی افزایش یابد.
•  اثر مشارکت الیاف فولادی بازیافتی در مقاومت فشاری وخمشی بتن الیافی بیش از الیاف فولادی صنعتی است.
•  ترکیب الیاف فولادی صنعتی و بازیافتی سبب افزایش بیشتر مقاومت کششی نسبت به طرح‌ حاوی الیاف فولادی صنعتی یا بازیافتی به تنهایی شد.
•  استفاده از درصدهای حجمی کم الیاف فولادی بازیافتی (به صورت جایگزین جزئی یا کامل الیاف فولادی صنعتی) سبب ایجاد مشخصات مکانیکی قابل قبول بتن الیافی خواهد شد.

---

Paper References

• Abbass, W., Khan, M. I., & Mourad, S. (2018). Evaluation of mechanical properties of steel fiber reinforced concrete with different strengths of concrete. Construction and building materials, 168, 556-569
• Chen, M., Chen, W., Zhong, H., Chi, D., Wang, Y., & Zhang, M. (2019). Experimental study on dynamic compressive behaviour of recycled tyre polymer fibre reinforced concrete. Cement and Concrete Composites, 98, 95-112
• Frazão, C., Barros, J., Bogas, J. A., García-Cortés, V., & Valente, T. (2022). Technical and environmental potentialities of recycled steel fiber reinforced concrete for structural applications. Journal of Building Engineering, 45, 103579
• Leone, M., Centonze, G., Colonna, D., Micelli, F., & Aiello, M. (2018). Fiber-reinforced concrete with low content of recycled steel fiber: Shear behaviour. Construction and building materials, 161, 141-1
• Samarakoon, S. S. M., Ruben, P., Pedersen, J. W., & Evangelista, L. (2019). Mechanical performance of concrete made of steel fibers from tire waste. Case Studies in Construction Materials, 11, e00259

  Abstract | 

  Abstract |    Highlights |    References | 

---

Paper Highlights

• اهمیت دستیابی به مقاومت فشاری بتن بدون انجام آزمایش مخرب
• بالا بردن عملکرد الگوریتم یادگیری ماشین با استفاده از مدل های مبتنی بر درخت
• مقایسه عملکرد الگوریتم های مختلف یادگیری ماشین

---

Paper References

• رمضانیان¬پور، ع. ا.، پیلوار، ا. ر. و سبحانی، ج.، (1391)، " تخمین مقاومت فشاری بتن با استفاده از شبکه عصبی مصنوعی،" چهارمین کنفرانس ملی سالیانه بتن ایران، تهران، ایران.
• Cortes, C., & Vapnik, V. (1995). Support-vector networks. Machine learning, 20(3), 273-297.
• Breiman, L. (2001). Random forests. Machine learning, 45(1), 5-32.

  Abstract |