A back-propagation neural network (BPNN) model is developed to predict the punching shear strength of square ferrocement slabs. The experimental data used for training and testing the neural network model, are collected from several sources. They are arranged in a formatof seven input parameters (the effective span, slab thickness, yield tensile strength of wire mesh, volume fraction of wire mesh, mortar compressive strength, width of square loaded area, boundary condition of the supported slabs) and one output parameter (punching shearstrength). A parametric study is carried out using BPNN to study the influence of each parameter affecting the punching shear strength of ferrocement slabs. A comparison with the experimental results and those from other existing empirical equations demonstrates that thepredictions from BPNN are indeed better. We conclude that the BPNN model may serve as a good tool for predicting the punching shear strength.

استخدمت خوارزمية التعقب الخلفي للشبكات العصبية للتنبؤ بمقاومة القص للسقوف الفيروسمنتية ذات الاشكال المربعة. تم تدريب وفحص الشبكة العصبية بالاعتماد على معلومات عملية أخذت من تجارب سابقة ومن مصادر مختلفة. تم الأخذ بنظر الاعتبار العوامل المؤثرة هندسيا على تصرف السقوف بشكل عام لبناء الشبكة العصبية. مدخلات الشبكة هي: الفضاء الفعال, سمك السقف, مقاومة الخرسانة, نسبة الحديد, مقدار الخضوع للحديد, ابعاد مساحة التحميل بالإضافة إلى طريقة الإسناد المستخدمة أما المخرجات فكانت مقاومة القص للسقوف. كذلك تم في هذا البحث دراسة تأثير كل عنصر من العناصر المدخلة على مقاومة القص للسقوف الفيروسمنتية. تم مقارنة النتائج التي تم الحصول عليها في بحثنا هذا مع بعض النتائج العملية و مع النتائج التي تم الحصول عليها من طرق مقترحة اخرى لحساب مقاومة القص للسقوف. اثبت النتائج بان تقنية الشبكات العصبية وباستخدام خوارزمية التعقب الخلفي هي طريقة جيدة لحساب مقاومة القص ويمكن اعتمادها للتبوء بأي نموذج أخرى ضمن حدود البيانات المستخدمة في بحثنا هذا.

Ferrocement --- Punching shear --- Slabs --- Strength --- BPNN.

AbstractIn this research a model of Neural Networks was applied to estimate the daily Evaporation of Mosul city using certain climate parameters (the maximum and the minimum temperature, rain, relative humidity, wind speed and the sun shine) for any day in the year using the Feed Forward Back Propagation (FFBPNN), Cascade-Forward Back Propagation (CFBPNN) and the FitNet network. Each of these networks has two architectures: architecture with four layers and five cells in the hidden layers from one hand, and architecture with five layers and five cells in the hidden layers from the other.Different algorithms were used for the training: Levenberg-Marquardt algorithm (LM), Quasi-Newton algorithm (BFGS), Conjugate Gradient algorithm (CFG), Gradient Descent algorithm (GD) and Gradient Descent with Momentum algorithm (GDM). Data were obtained from the forecast Directorate in AlRashedeyyah district in Nineveh Province for the period (1995-2008) are used in the research. Data of ten years for the period (1995-2004) were employed to develop the models and the data of four years were used to evaluate the models, to compare their outputs with the data measured. R2 and the RMSE methods were used to estimate the level of correspondence for the measured data and NN outputs to select the best prediction model from the models applied. Results show that the FitNet with (LM) algorithm is efficient in improving a prediction model to estimate the daily Evaporation as the value of coefficient estimation was )0.98(, and this is considered the best and the fastest algorithm if temperature, rain, relative humidity, wind speed and sunshine data available for any day in the year.

المستخلصتم في هذا البحث تطبيق أنموذج الشبكة العصبية لتقدير التبخر اليومي لمدينة الموصل بدلالة بعض المعلمات المناخية (درجة الحرارة العظمى والصغرى، والأمطار، والرطوبة النسبية، وسرعة الرياح والإشعاع الشمسي) لأي يوم من السنة باستخدام شبكة الانتشار العكسي للخطأ Feed Forward Back Propagation (FFBPNN)، وشبكةCascade Forward Back Propagation (CFBPNN)، وشبكة الملائمةFitNet Neural Network ولكل شبكة معماريتين: معمارية بـ(4) طبقات و(5) خلايا في الطبقات الخفية، ومعمارية بـ(5) طبقات و(5) خلايا في الطبقات الخفية. تم استخدام خوارزميات مختلفة للتدريب خوارزمية ليفن بيرك ماركودت (LM)، وخوارزمية نيوتن (BFGS)، وخوارزمية الميل الصرفية (CFG)، وخوارزمية الانحدار التدريجي (GD) وخوارزمية الانحدار التدريجي المعجل (GDM). استخدمت البيانات المأخوذة من محطة الأنواء الجوية في منطقة الرشيدية في محافظة نينوى للفترة من (1995-2008) إذ استخدمت بيانات (10) أعوام وللفترة من (1995-2004) لتطوير النماذج وبيانات أربعة أعوام وللفترة من (2005-2008) لتقييم النماذج ومقارنة مخرجاتها مع البيانات المقاسة. استخدمت مقاييس معامل التحديد R2 وجذر متوسط مربع الأخطاء RMSE في الحكم على مدى تطابق البيانات المقاسة ومخرجات الشبكات العصبية لاختيار أفضل نموذج تنبؤي من بين النماذج المطبقة، بينت النتائج إن شبكة الملائمة FitNet وبخوارزمية (LM) ذات كفاءة في تحسين نموذج تنبؤي لتقدير التبخر اليومي إذ وصلت قيمة معامل التحديد إلى (0,98)، وهي أفضل وأسرع خوارزمية عند توفر درجات حرارة الأمطار، الرطوبة النسبية، سرعة الرياح والإشعاع الشمسي لأي يوم من أيام السنة.

Keywords: BPNN --- Gradient Descent --- Gradient Descent with Momentum --- Conjugate Gradient Quasi-Newton --- Levenberg-Marquardt. --- شبكة الانتشار العكسي للخطأ، شبكة الملاءمة، الانحدار التدريجي، الانحدار التدريجي المعجل، الميل الصرفية، خوارزمية نيوتن، خوارزمية ليفن بيرك ماركودت.