Yazar "Atalay, Esma" seçeneğine göre listele

Listeleniyor 1 - 2 / 2
  • Küçük Resim Yok
    Öğe
    Comparison of extreme learning machine and deep learning model in the estimation of the fresh properties of hybrid fiber-reinforced SCC
    (Springer London Ltd, 2021) Kina, Ceren; Turk, Kazim; Atalay, Esma; Donmez, Izzeddin; Tanyildizi, Harun
    This paper studied the estimation of fresh properties of hybrid fiber-reinforced self-compacting concrete (HR-SCC) mixtures with different types and combinations of fibers by using two different prediction method named as the methodologies of extreme learning machine and long short-term memory (LSTM). For this purpose, 48 mixtures, which were designed as single, binary, ternary and quaternary fiber-reinforced SCC with macro-steel fiber, two micro-steel fibers having different aspect ratio, polypropylene (PP) and polyvinylalcohol (PVA), were used. Slump flow, t(50) and J-ring tests for designed mixtures were conducted to measure the fresh properties of fiber-reinforced SCC mixtures as per EFNARC. The experimental results were analyzed by Anova method. In the devised prediction model, the amounts of cement, fly ash, silica fume, blast furnace slag, limestone powder, aggregate, water, high-range water-reducer admixture (HRWA) and the fiber ratios were selected as inputs, while the slump flow, t(50) and the J-ring were selected as outputs. Based on the Anova analysis' results, the macro-steel fiber was the most important parameter for the results of slump-flow diameter and t(50), while the most important parameter for the results of J-ring was fly ash. Furthermore, it was found that the use of more than 0.20% by volume of 6/0.16 micro-steel fiber positively influenced the fresh properties of SCC mixtures with hybrid fiber. On the other hand, the inclusion of steel fiber instead of synthetic fiber into SCC mixture as micro-fiber was more advantageous in terms of workability of mixtures as result of hydrophobic nature of steel fibers. This study found that extreme learning machine model estimated the slump flow, t(50) and J-ring with 99.71%, 81% and 94.21% accuracy, respectively, while deep learning model found the same experimental results with 99.18%, 77.4% and 84.8% accuracy, respectively. It can be emphasized from this study that the extreme learning machine model had a better prediction ability than the deep learning model.
  • Küçük Resim
    Öğe
    Karma lif takviyeli kendiliğinden yerleşen betonun yüksek sıcaklığa direncinin araştırılması
    (İnönü Üniversitesi, 2020) Atalay, Esma
    Bu tez çalışmasında, karma lifli kendiliğinden yerleşen beton numunelerinin yüksek sıcaklığa karşı direncinin ve mekanik özelliklerinin lif oranına ve tipine bağlı olarak nasıl ve ne ölçüde etkilendiğini belirlemek için toplam on adet kendiliğinden yerleşen beton (KYB) karışımı tasarlanmıştır. Bu amaçla, bir adet lifsiz, bir adet sadece makro çelik lif içeren tek lifli karışım, dört tip ikili lif içeren karışım ve dört tip üçlü lif içeren karışım benimsenmiştir. Üretilen KYB'lerde farklı tip (çelik ve sentetik), narinlik ve boyutlarda (makro ve mikro) dört adet lif kullanılmıştır. Tüm karışımlarda, bağlayıcı madde olarak Portland çimentosu (PÇ) ve uçucu kül (UK) kullanılmış olup, su/bağlayıcı oranı 0.23 ve toplam bağlayıcı içeriği 900 kg/m3 olarak sabit tutulmuştur. Çökme-yayılma testi esas alınarak deneme yanılma yoluyla elde edilen karışımlara EFNARC tarafından belirlenen işlenebilirlik testleri (çökme-yayılma, J-halkası ve J-halkalı çökme-yayılma deneyi ve t50) uygulanmıştır. Daha sonra, karışımlar 20±3 0C sıcaklıktaki suda 90 gün kür edilmiştir. Kür edilen numunelere, oda sıcaklığında bekletildikten ve 250 0C, 500 0C ve 750 0C yüksek sıcaklıklara maruz bırakıldıktan sonra basınç dayanımı, yarmada çekme dayanımı, dört noktalı eğilmede çekme dayanımı, birim ağırlık ve ultrases geçiş hızı (USGH) testleri uygulanmıştır. Sonuç olarak, makro çelik lif ile birlikte mikro çelik lifin karışıma eklenmesinin, numunelerin basınç dayanımında artışa neden olduğu görülürken, yarmada çekme dayanımını, eğilme dayanımını ve enerji yutma kapasitesini azalttığı bulunmuştur. Mikro sentetik liflerin ise basınç dayanımını azaltırken, yarmada çekme dayanımında, eğilme dayanımında ve enerji yutma kapasitesinde ise artışa neden olduğu gözlemlenmiştir. Deneysel bulgular esas alındığında, lifsiz kontrol KYB betonuna kıyasla, tüm lif takviyeli KYB' lerin yüksek sıcaklık altındaki mekanik özelliğindeki bozulmaların daha hafif olduğu tespit edilirken, sentetik lif içeren KYB karışımlarına ait numunelerin daha yüksek bir yüksek sıcaklığa direnç performansını geliştirmede ve parçalanmayı hafifletmede üstün bir özellik sergilemiştir.