摘 要
反彈錘法利用量測混凝土表面之強度，得到之反彈值可推估該部份之混凝土抗壓強度，試驗進行中，須注意儀器敲打於混凝土之打擊面角度、檢測面是否平坦、檢測位置以及檢測部位厚度等因素才能避免誤差產生。
而人工智慧如支援向量機、類神經網路以及適應性類神經模糊推論系統，不斷被運用在各種領域上，且對其預測結果有相當高的信賴度，但每次預測就得建立新的預測模型，若能建立出通用之混凝土抗壓強度預測模型之可行性，預測混凝土抗壓強度時可省略建立預測模型所需要的時間。
因此本研究將使用嘉義實驗室所蒐集的315筆數據，並利用支援向量機、類神經網路及適應性類神經模糊推論系統三種方法建立最佳混凝土預測模型，並嘗試將魏士翔(2012)數據之838筆數據套入本研究以嘉義實驗室所建立出之最佳預測模型，期望用嘉義實驗室所訓練出來的模型也能用在其他訓練單位的試驗數據上。
研究結果顯示，依相同實驗單位取得的數據，建立最佳的混凝土抗壓強度預測模型，其適應性類神經模糊推論系統平均絕對誤差百分比為6.67%，而線性迴歸、支援向量機以及類神經網路所建立之強度預測模型所得到之平均絕對誤差百分比介於8%~9%之間，若以學者們提出之線性迴歸公式，得到之平均誤差百分比為10%~70%之間，但以2012數據得到的預測結果，其適應性類神經模糊推論系統平均絕對誤差百分比為18.61%，而線性迴歸、支援向量機以及類神經網路所建立之強度預測模型所得到之平均絕對誤差百分比介於19%~21%之間，若以學者們提出之線性迴歸公式，得到之平均誤差百分比為16%~60%之間，由此可知在不同的試驗單位獲得的數據上，預測模型或線性公式於本研究是無法通用的。

Abstract
In the Rebound Hammer Test, the hammer rebound value can be used to estimate the concrete compressive strength. To prevent error, cautions should be taken regarding the angle of the hammer stroke, smoothness and thickness of the testing surface, etc., when conducting the test
Previous researches have shown that support vector machine (SVMs) 、artificial neural networks (ANNs) and adaptive neural fuzzy inference systems (ANFIS) are effective artificial intelligence (AI) prediction methods. And they are successfully adopted in various fields. Therefore, this research would like to adopt these three AI techniques to develop concrete compressive strength prediction models for the rebound hammer test.
In light of this, Rebound Hammer test results (315 samples) are obtained from a material testing la in Chia-Yi to develop and validate the AI prediction models. Also, the prediction models will be applied to the test data (838 samples) obtained from Shih-Shian Wei (2012) to determine if the prediction model is still effective when adopting data from other test labs.
The results show that ANFIS prediction model yields the best result, with the mean absolute percentage errors (MAPE) of 6.76%. In the mean time, Linear Regression, SVMs and ANNs models have mean absolute percentage error between 8%~9%. When adopting the linear regression equations from previous researches, the MAPE’s were around 10~70%. If the obtained models are validated using the test sample data from Wei (2012), the MAPE for ANFIS prediction model was 18.61%. And the MAPE’s for Linear Regression, SVMs and ANNs models are between 19%~21%. For the collected sample, the research results have shown that prediction models obtained from one testing lab is not effective when validated with test samples from other labs.
Keyword：Non-destructive testing, Rebound Hammer Test, Support Vector Machine, Artificial Neural Networks, Adaptive Neural Fuzzy Inference Systems

目錄
摘 要 I
ABSTRACT II
目錄 III
表目錄 VI
圖目錄 VII
第一章 緒論 1
1.1研究背景與動機 1
1.2研究目的 2
1.3研究流程 3
1.4章節架構介紹 5
第二章 文獻回顧 6
2.1反彈錘法 6
2.1.1反彈錘介紹 6
2.1.2反彈錘原理 8
2.1.3反彈錘限制 8
2.1.4反彈錘文獻回顧 9
2.2支援向量機(SUPPORT VECTOR MACHINE﹐SVM) 11
2.2.1支援向量機介紹 11
2.2.2支援向量機理論 12
2.2.3最小平方支援向量機(LS-SVM) 12
2.2.4支援向量機之文獻回顧 13
2.3類神經網路(ARTIFICIAL NEURAL NETWORK，縮寫ANN） 16
2.3.1類神經網路介紹 16
2.3.2類神經網路基本理論 17
2.3.3類神經網路基本架構 18
2.3.4類神經網路之文獻回顧 22
2.4適應性類神經模糊推論系統(ANFIS） 24
2.4.1適應性類神經模糊推論系統ANFIS之介紹 24
2.4.2適應性類神經模糊推論系統ANFIS之架構 25
2.4.3適應性類神經模糊推論系統ANFIS之演算法 28
2.4.5適應性類神經模糊推論系統ANFIS之文獻回顧 28
2.5小結 30
第三章 研究方法 31
3.1研究架構 31
3.2研究數據 32
3.2.1 混凝土圓柱試體 32
3.2.2反彈錘試驗程序 33
3.3線性迴歸 34
3.4支援向量機 34
3.5類神經網路 37
3.5.1 倒類神經網路介紹 37
3.5.2倒傳遞類神經網路模型之建立 38
3.5.3倒傳遞類神經網路參數設定 38
3.6適應性類神經模糊推論系統 39
3.6.1適應性模糊推論系統之演算法 40
3.6.2適應性類神經模糊推論系統模型之建立 41
3.6.3適應性類神經模糊推論系統參數設定 41
3.7效能預測評估方式 42
3.8小結 42
第四章研究分析與討論 43
4.1以線性迴歸預測混凝土強度 43
4.2.1文獻蒐集之線性迴歸公式預測混凝土強度 43
4.2.2建立線性迴歸公式預測混凝土強度 44
4.2.3不同單位之數據作為測試組預測混凝土強度 46
4.2以支援向量機預測混凝土強度 47
4.2.1支援向量機迴歸(SVR)模式參數設定 48
4.2.2以LSSVM方式預測混凝土強度 49
4.2.3以不同單位之數據作為測試組預測混凝土強度 50
4.3以類神經網路預測混凝土強度 51
4.3.1網路架構與參數設定 51
4.3.2以倒傳遞類神經網路方式預測混凝土強度 53
4.3.3以不同單位之數據作為測試組預測混凝土強度 54
4.4 以適應性類神經模糊推論系統預測混凝土抗壓強度 55
4.4.1以[3 3]歸屬函數建立適應性類神經模糊推論系統模型 57
4.4.2以[5 5]歸屬函數建立適應性類神經模糊推論系統模型 58
4.4.3以[8 8]歸屬函數建立適應性類神經模糊推論系統模型 59
4.4.4以不同單位之數據作為測試組預測混凝土強度 60
4.5 小結 60
第五章 結論與建議 63
5.1 結論 63
5.2 建議 64
參考文獻 66

(一)英文文獻
[1] Cao, L.J.and Tay, F.E.H , 2003, “Support vector machine with adaptive parameters in financial time series forecasting.”, IEEE Transactions on Neural Networks, vol. 14(6), pp.1506-1518.
[2] Suykens J. A. K., Gestel T. V., Brabanter J. D., Moor B. D., and Vandewalle J ,2002, “Least Squares Support Vector Machines.” Singapore: World Scientific.
[3] Vapnik, V. N. ,1995,“The Nature of Statistical Learning Theory”, Springer- Verlag, New York.
[4] Jang, J.S.R., 1993, “ANFIS：Adaptive-Network-Based Fuzzy Inference System” IEEE Transactions on Systems, Man, and Cybernetics”, Vo1.23, No.3,665-685.
[5] Ask, K. & Eikvil, L. (1999). “Text categorization : A Survey.Technical report,Norwegian Computing Center”.
[6] Mahdi Shariati*, Nor Hafizah Ramli-Sulong, Mohammad Mehdi Arabnejad K. H.,
Payam Shafigh and Hamid Sinaei(2011)，Scientific Research and Essays Vol. 6(1), pp. 213-220.
[7] S. Biondi & E. Candigliota(2008)，Taylor & Francis Group, London，P1037-P1039.
[8] Raffaele Pucinotti(2015)， Construction and Building Materials，Vol:75，P 331–341.
[8] Lucio Nobile(2015)，Meccanica，Vol:50，P411-417.
[9]Chamkalani, A. , Zendehboudi, S., Bahadori, A. , Kharrat, R., Chamkalani, R., James, L. & Chatzis. (2014). “Integration of LSSVM technique with PSO to determine asphaltene deposition”, Journal of Petroleum Science and Engineering, Vol. 124, pp. 243-253.
[10] WEN Fenghua., XIAO Jihong., HE Zhifang., and GONG Xu. (2014). “Stock Price Prediction based on SSA and SVM”, Procedia Computer Science, Vol.31, pp. 625–631.
[11D. Breysse, “Nondestructive evaluation of concrete strength: An historical review and a new perspective by combining NDT methods”, Construction and Building Materials,Volume 33, August 2012, Pages 139–163


(二)中文文獻
[1] 黃威龍、張進益、陳文俊、伍振男(2011)， 臺灣公路工程第37卷第2期，頁40- 42。
[2]王嘉聖 (2002)，「反彈錘有效性之研究」，逢甲大學土木及水利工程所，碩士論文，臺中。
[3] 林彥余、沈永年（2008），「混凝土版抗壓強度與反彈錘數之關係研究」，國立高雄應用科技大學報 第37期。
[4] 李家政 (1999)，「反彈錘配合類神經網路推估混凝土強度可行性之研究」，中華大學，土木工程學系，碩士論文，新竹。
[5] 蔡連池 (2010)，「應用複迴歸分析提高混凝土反彈錘準確度之研究」，國立嘉義大學，土木與水資源工程學系研究所，碩士論文，嘉義。
[6] 張玉瑛 (2007)，「以支援向量機預測台灣地區營造工程物價指數之研究」，朝陽科技大學，營建工程研究所，碩士論文，臺中。
[7] 許峰源(2008)，「支援向量機於降雨逕流預報之研究」，國立臺灣大學土木工程學研究所，碩士論文，臺北。
[8] 江博昱 (2011)，「以基因演算法和粒子群演算法為基礎之最小二乘支持向量機法預測通訊產業之市場趨勢」，國立清華大學，通訊工程研究所，碩士論文，新竹。
[9] 陳益軒 (2013)，「以決策樹為基礎之支援向量機模型於信用評等之研究」，暨南大學資訊管理學系，碩士論文，南投。
[10] 陳靜文(2015)，「應用支援向量機與集成學習法改善反彈錘測試之強度預測」，國立高雄應用科技大學土木工程與防災科技研究所，高雄。
[11] 羅尉綸(2015)，「運用遊客偏好探討旅遊目的地之吸引力」，宜蘭大學，碩士論文，宜蘭。
[12] 秦聖昌(2015)，「中央大學資訊管理學系碩士在職專班學位論文」，中央大學，碩士論文，新竹。
[13] 陸相賢 (2014)，「應用支援向量機改善反彈錘測試之強度預測」，國立高雄應用科技大學，土木工程與防災科技研究所營管組，碩士論文，高雄。
[14] 陳偉柏(2015) ，「以多變數迴歸與類神經網路模式模擬水庫水質」，國立聯合大學，碩士論文，苗栗。
[15] 吳杰成(2014)，醫療資訊雜誌，23卷3期，1-11。
[16] 許慶安(2003)，「應用類神經網路推估混凝土之抗壓強度」，成功大學土木工程學系，碩士論文，台南。
[17] 陳昌捷(2015)，「以倒傳遞類神經網路預測股市指數」，宜蘭大學多媒體網路通訊數位學習，碩士論文，宜蘭。
[18] 曾智鴻(2014)，「類神經網路模式用於推估邊坡破壞面積之研究」，屏東科技大學土木工程系，碩士論文，屏東。
[19] 郭仕堯(2010)，「類神經網路於飛航網路運量預測之應用」，航空太空及民航學刊.系列B ； 42卷1期， P67 – 72。
[20] 賴建成(2010)，「類神經網路於香港跨境台灣ETF股價預期能力之研究」，國立虎尾科技大學學報 ； 29卷2期， P9 – 20。
[21] 葉進儀(2012)，「使用適應性類神經模糊推論系統於台灣加權股價之預測」，嘉義大學 資訊管理學系，碩士論文，嘉義。
[22] 曾國立(2014)，「整合資訊擴散技術之適應性類神經模糊推論系統」，成功大學高階管理碩士在職專班，碩士論文，台南。
[23] 林哲甫(2015) ，「以適應性類神經模糊推論系統預測建築工程專案績效之研究」，國立高雄應用科技大學土木工程與防災科技研究所，高雄。
[24] 魏士翔(2012)，ANFIS應用於混凝土抗壓強度預測模式，國立高雄應用科技大學土木工程與防災科技研究所，碩士論文，高雄。