Normal ve Yüksek Dayanımlı Betonların Elastisite Modülünün Tahmini için Yapay Sinir Ağlarının Hiper Parametrelerinin Optimizasyonu
Fatih Ahmet ŞenelSüleyman Demirel Üniversitesi, Mühendislik ve Doğa Bilimleri Fakültesi, Bilgisayar Mühendisliği Bölümü, IspartaBu çalışmada, beton elastisite modülü Yapay Sinir Ağları (YSA) kullanılarak modellenmiştir. YSA'ın yapısal parametrelerinin optimum olarak belirlenmesi ise meta-sezgisel algoritmalar yardımıyla gerçekleştirilmiştir. YSA'ların hiper parametreleri; gizli katman sayısı, gizli katmanlardaki nöron sayıları ve gizli katmanlarda kullanılan aktivasyon fonksiyonlarıdır. YSA, sınıflandırma ve regresyon problemlerinde başarılı sonuçlar elde edebilen bir yöntemdir. Ancak hiper parametrelerinin belirlenmesi zaman alıcıdır. Bu nedenle bu çalışmada meta-sezgisel algoritmalar kullanılarak hiper parametreler belirlenmiştir. Birçok mühendislik probleminin çözümünde Balina Optimizasyon Algoritması, Karınca Aslanı Optimizasyonu ve Parçacık Sürü Optimizasyon algoritmaları başarılı sonuçlar elde edebildikleri için bu çalışmada tercih edilmişlerdir. Normal ve yüksek dayanımlı betonların elastisite modülü, hiper parametreleri belirlenen YSA kullanılarak tahmin edilmiş ve elde edilen sonuçlar literatürdeki önceki çalışmalarla karşılaştırılmıştır. Önerilen yöntem, çoğu deneyde daha iyi veya eşit sonuçlar göstererek önceki yöntemlerden daha iyi performans göstermiştir. Eğitim aşamasında, yüksek dayanımlı beton için %44,9'nda daha başarılı, %34,8'nde aynı başarıyı göstermiş ve %20,3'nde ise daha az başarılı olmuştur. Genel olarak, eğitim aşamasının %79,7'sinde önceki yöntemlere eşit veya daha iyi, test aşamasında ise %76,4 başarı göstermiştir. Normal dayanımlı beton için amaçlanan yöntem, eğitim aşamasının %59,6'sında ve test aşamasının %69,2'sinde daha iyi veya aynı performansı göstermiş ve her iki durumda da etkinliğini kanıtlamıştır. Sonuç olarak önceki çalışmalara göre daha iyi modelleme sonuçları elde edilmiştir. Farklı veri kümeleri ile yapılan modelleme sonucunda R^2 değeri en yüksek 0.98 olarak bulunmuştur. Hiper parametreler bulunmadan kullanılan YSA'dan daha iyi sonuçlar elde edilebileceği gösterilmiştir.
Anahtar Kelimeler: Yapay sinir ağı, Elastisite modülü, Optimizasyon, Meta-SezgiselOptimization of Hyperparameters of Artificial Neural Networks for Prediction of Elastic Modulus of Normal and High Strength Concrete
Fatih Ahmet ŞenelSüleyman Demirel University, Faculty Of Engineering And Natural Sciences, Department Of Computer Engineering, IspartaIn this study, while modeling the concrete elasticity modulus with Artificial Neural Networks (ANN), the optimal determination of the parameters of ANNs was carried out with the help of meta-heuristic algorithms. The hyperparameters of ANNs are the number of hidden layers, the number of neurons in hidden layers, and the activation functions in hidden layers. ANNs have been successfully used in classification and regression problems. But determining hyperparameters is a time-consuming process. Therefore, in this study, hyperparameters were determined using meta-heuristic algorithms. Whale Optimization Algorithm, Ant Lion Optimizer and Particle Swarm Optimization algorithms were used because they are successful in solving many engineering problems. The elastic modulus of normal and high strength concrete was estimated using ANN, whose hyperparameters were determined. The results obtained were compared with previous studies in literature. The proposed method outperformed the previous methods by showing better or equal results in most experiments. In the training process, for high strength concrete, it was more successful in 44.9%, equal in 34.8% and less successful in 20.3%. Overall, it performed equal to or better than the previous methods in 79.7% of the training process and 76.4% in the testing process. For normal strength concrete, the proposed method performed better or equal in 59.6% of the training process and 69.2% of the testing process, proving its effectiveness in both cases. As a result, better modeling results were obtained than in previous studies. As a result of modeling with different datasets, the R^2 value was found to be the highest 0.98. It has been shown that better results can be obtained from ANN used without tuning the hyperparameter.
Keywords: Artificial neural network, Elastic modulus, Optimization, Meta-HeuristicMakale Dili: İngilizce