English (United Kingdom)

https://curated-unify.zendy.io/wp-json/zendy-region/v1/featured_content/oa?rat=en

https://curated-unify.zendy.io/wp-json/zendy-region/v1/highlighted_journal/

Global: Zendy Plus annual

Presents the access of premium content as premium feature

Premium Content

Presents the keyphrase highlighting as premium feature

Keyphrase Highlighting

Presents the summarisation as premium feature

Summarisation

Insights

Presents the pdf analysis as premium feature

PDF Analysis

Presents the zaia usage as premium feature

ZAIA

Global: Zendy Tools annual

Global: Zendy Free Plan

Global: Zendy Tools monthly

Global: Zendy Plus monthly

The use of fly ash as a material for earth structures involves its proper compaction. Fly ash compaction tests have to be conducted on separately prepared virgin samples because spherical ash grains are crushed during compaction, so the laboratory compaction procedure is time-consuming and laborious. The aim of the study was to determine the neural models for prediction of fly ash compaction curve shapes. The attempt of applying the artificial neural networks type MLP was made. ANN inputs were new-created variables - principal components dependent on grain-size distribution (as D10-D90 and uniformity and curvature coefficients), compaction method, and fly ash specific density. The output vectors were presented by co-ordinates of generated compaction curve points. Each point (wi, ρdi) was described by two independent ANNs. Using ANN-based modelling method, models which enable establishing the approximate compaction curve shape were obtained. Streszczenie Wykorzystanie popiołu lotnego do konstrukcji ziemnych wymaga jego własciwego zageszczenia. Zageszczanie powoduje wzrost gestosci gruntu, zwieksza jego wytrzymałosc i zdolnosc do przenoszenia obciazen, a takze zmniejsza scisliwosc i przepuszczalnosc. Oznaczenie zageszczalnosci popiołu lotnego musi byc przeprowadzane na próbkach jednokrotnie zageszczanych, poniewaz sferyczne ziarna popiołu sa niszczone w trakcie ubijania, w zwiazku z tym, laboratoryjne ustalenie krzywej zageszczalnosci popiołu jest bardzo czasochłonne. Celem artykułu było wykorzystanie modelowania neuronowego do prognozy kształtu krzywej zageszczalnosci popiołu lotnego. Podjeto próbe zastosowania sztucznych sieci neuronowych SSN typu MLP do opisu punktów krzywej zageszczalnosci. Kazdy punkt krzywej (wi, ρdi) został opisany przez dwie niezalezne SSN. Wykorzystano SSN o róznych wejsciach, którymi były nowo utworzone zmienne - składowe główne, zalezne od uziarnienia (srednic efektywnych d10-d90 oraz wskazników jednorodnosci i krzywizny uziarnienia), metody zageszczenia oraz gestosci własciwej szkieletu gruntowego. Wektorami wyjscia były współrzedne punktów krzywej zageszczalnosci popiołu lotnego. Najlepszymi sieciami neuronowymi były sieci o topologii: 6-3-1, 6-2-1 i 6-4-1 dla prognozy wartosci wilgotnosci wi, oraz 5-3-1 i 6-3-1 dla predykcji wartosci gestosci objetosciowej szkieletu gruntowego ρdi. Uzyskano sieci neuronowe o zadowalajacej precyzji, szczególnie w przypadku wartosci ρdi. Modelowanie krzywej za pomoca SSN umozliwiło ustalenie przyblizonego kształtu krzywej zageszczalnosci popiołu lotnego.

Ann-Based Modelling of Fly Ash Compaction Curve / Modelowanie Krzywej Zageszczalnosci Popiołu Lotnego Za Pomoca Ssn