چکیده: چکیده با افزایش روز افزون استفاده از مواد بتنی در دنیا و انجام هر روزه آزمایش های گوناگون بر روی انواع بتن مورد استفاده در کارگاه های ساختمانی، اهمیت استفاده از شبکه هایی که قابلیت پیش بینی خصوصیات فیزیکی بتن را دارا می باشند، بیش از بیش نمایان می گردد. زیرا یکی از اصلی ترین مزایای این کار صرفه جویی در وقت و هزینه مهندسان می باشد و در کنار آن با استفاده از ابزار های پیش بینی می توان بر روی طرح اختلاط بهینه کار کرد و در میزان تاثیر عوامل مختلف نیز تولید دانش نمود. حال در راستای این اهداف ، با توجه به گستردگی انواع بتن، تصمیم بر آن شد که یکی از جدید ترین انواع بتن یعنی کامپوزیت های سیمانی مهندسی شده به عنوان نقش اصلی این پژوهش انتخاب شود. ECC که نام دیگر آن بتن خم شونده نیز می باشد به علت وجود الیاف و طراحی میکرومکانیک انجام شده بر آن به داشتن بیشترین ظرفیت کرنش کششی معروف است. لذا با وجود وسیع بودن عوامل تاثیرگذار بر این ظرفیت، 13 عامل برای پیش بینی آن مورد استفاده قرار گرفته اند. پارامترهای تاثیرگذار منتخب مواردی از قبیل طرح اختلاط بتن مانند نسبت آب به سیمان، درصد وزنی سرباره، خاکستر بادی، فوم سیلیکا، ماسه، پودر سنگ آهک، خصوصیات الیاف استفاده شده در کامپوزیت سیمانی مانند درصد الیاف، نسبت ابعاد الیاف، مقاومت کششی الیاف، پوشش روغن الیاف و مواردی شامل شرایط و زمان نگهداری بتن مانند دما، مدت زمان عمل آوری در آب و سن نمونه می باشند. برای پیشبرد پیش بینی در مرحله نخست نیاز به پایگاه داده ای از اطلاعات آزمایشگاهی از آزمون کشش مستقیم است که بر روی نمونه ECC انجام شده باشد. با مطالعه مقالات گوناگون 469 گروه داده آزمایشگاهی جمع آوری و دسته بندی شده اند و پس از آماده سازی اعداد از آن ها برای مدل سازی استفاده گردیده است. مدل های محاسبات نرم در گذشته نیز به عنوان ابزاری برای پیش بینی خواص مکانیکی بتن مورد استفاده قرار گرفته و نتایج خوبی از خود نشان داده اند. در این نیز پژوهش با استفاده از ویژگی های منحصر به فرد این نوع الگوریتم ها اقدام به پیش بینی رفتار کششی ECC شده است. محبوب ترین آن ها سه روش شبکه هوش مصنوعی، شبکه های عصبی- فازی و روش گروهی مدیریت داده ها می باشد که در واقع مدل هایی هستند که در این جا نیز از آن ها استفاده شده است. مدل سازی به سه روش بالا انجام شده و سپس به روش صحیح و خطا و بررسی عوامل اعتبار سنجی، بهترین ساختار برای هر مدل ارائه گردیده است. در ادامه نیز، با استفاده از تعداد محدودی داده آزمایشگاهی به بررسی نهایی شبکه پرداخته شد. همان طور که از نمودارهای نتایج برداشت می شود میزان خطا در شبکه عصبی مصنوعی کمتر از مدل ساخته شده به روش عصبی- فازی و به همین ترتیب از روش گروهی مدیریت داده ها می باشد. در گام نهایی با استفاده از اطلاعات برداشت شده از شبکه هوش مصنوعی اقدام به بررسی میزان تاثیر ورودی های انتخاب شده بر خروجی هدف یعنی ظرفیت کرنش کششی شده است و نتایج حاکی از آن است که بیشترین تاثیر را با اختلاف کم به ترتیب دما، درصد وزنی خاکستر بادی و ماسه و کمترین تاثیر را سن نمونه دارد.