بت نهای خودمتراکم با خواص رئولوژی و مکانیکی مناسب، از بت نهای جدید محسوب م یشوند که در اواخر قرن 20 و اوایل قرن 21 مورد توجه محققین و صاحبان صنایع قرار گرفت. دقت در بت نریزی، تراکم بتن و همچنین ظاهر بتن به عنوان یک متریال اکسپوز همواره از دغدغ ههای طراحان و مجریان پروژ ههای عمرانی محسوب م یشود. بت نهای خودمتراکم با خاصیت تراکم وزنی همواره م یتواند از گزین ههای پیش روی طراحان باشد. تنوع در مواد مورد استفاده در بت نهای خودمتراکم از جمله مواد بازیافتی، با خاصیت پوزولانی و پر کنندگی در جهت رسیدن به اهداف رئولوژی و مکانیکی، از چال شهایی است که طراحان با آن روبرو هستند. همچنین دقت در تعیین نسب تهای اختلاط و نتایج حاصل از آن بسیار زمان بر و پرهزینه م یباشد. علوم کامپیوتر با بهر هگیری از محاسبات نرم و شبک ههای عصبی الهام گرفته از ساختار بیولوژیکی مغز انسان، سعی در افزایش سرعت، دقت و همچنین کاهش هزینه به جهت جلوگیری از آزمایشات مخرب م یپردازد. در این پژوهش با کمک دو شبکه ANN و LSTM با بهر هگیری از 320 نمونه بتن خودمتراکم با پراکندگی و جامعیت مصالح رایج مورد استفاده در آن توسط محققیق مختلف، سعی در پی شبینی مقاومت فشاری 28 روزه بتن خودتراکم، بررسی عملکرد و افزایش دقت توسط 6 الگوریتم آموزشی مختلف شده است. در مجموع حدودا 200 تکرار آموزش بر روی 320 نمونه بتن خودتراکم با 14 ویژگی انجام شد، که با مقایسه بهترین نتایج حاصل از الگوریت مهای آموزشی، بهترین عملکرد با ریشه میانگین مربعات خطای 97 / 4 و ضریب همبستگی 9484 / 0 در آزمایش، برای شبکه ANN با الگوریتم آموزشی Beyesian Regularization گزارش شد، که نشان دهند هی دقت بالای آن شبکه م یباشد.
