ارزیابی مقاومت برشی تیرهای عمیق بتنی مسلح با استفاده از شبکه‌های عصبی مصنوعی

نوع مقاله: مقاله پژوهشی

نویسندگان

1 دانشیار،دانشکده فنی مهندسی، دانشگاه ولی‌عصر رفسنجان

2 کارشناسی ارشد سازه، دانشکده فنی مهندسی، موسسه آموزش عالی علامه جعفری رفسنجان

3 کارشناسی ارشد سازه، دانشکده فنی مهندسی، دانشگاه ولی‌عصر رفسنجان

چکیده

مقاومت برشی از اهمیت بالایی برای طراحی ابعاد و اعضای سازه ای برخوردار است. نیروی برشی نیرویی است که تمایل به ایجاد برش در سطح مقطع جسم دارد. تیرهای با ارتفاع زیاد (عمیق) بتن مسلح به تیرهایی گفته می‌شود که در مقایسه با تیرهای بتنی معمولی دارای نسبت زیاد ارتفاع به دهانه می‌باشند. نوع شکست این تیرها عموما به صورت برشی است اما احتمال شکست نوع خمشی نیز وجود دارد. مهم ترین هدف این پژوهش افزایش مقاومت در برابر برش و بررسی رفتار مربوط به گسیختگی نوع برشی است. پیرو هدف پژوهش، یک مطالعه‌ی عددی برای بررسی رفتار برشی تیرهای عمیق بتنی مسلح تحت اثر بار متمرکز و همچنین به صورت دو سر ساده به کار گرفته شده است. بدین منظور تاثیرات هندسه‌ی مقطع و مقاومت تسلیم فولاد در یک تیر عمیق بتنی مسلح ارزیابی شده است. پیشنهادات جدیدی بر اساس شبکه‌های عصبی مصنوعی جهت ارزیابی مقاومت برشی تیرهای عمیق بتنی مسلح در معرض بار متمرکز ارائه شده است. در پایان یک مقایسه بین نتایج شبکه‌های عصبی مصنوعی و نتایج مقررات طراحی بعضی ایین نامه‌ها صورت گرفت، از این مقایسه می‌توان دریافت که ایین نامه‌ها نتایج را با دقت کم ارائه می‌دهند.

کلیدواژه‌ها


عنوان مقاله [English]

Shear capacity assessment of reinforced concrete deep beams using artificial neural network

نویسندگان [English]

  • Yasser Sharifi 1
  • Najmeh Mohammadi 2
  • adel Moghbeli 3
1 Department of Civil Engineering Vali-e-Asr University of Rafsanjan, Rafsanjan, Iran
2 Civil Eng., Allameh Jafari
3 Civil Eng., Vali-e-Asr University of Rafsanjan
چکیده [English]

مراجع
]1[ کیا، س. م، (1393). شبکه­های عصبی در MATLAB ویرایش سوم، تهران، دانشگاهی کیان.
]2[ طرح و اجرای ساختمان­های بتن ارمه، دفتر مقررات ملی ساختمان، وزارت راه و شهرسازی. مبحث نهم.
[3] Elcordy MF, Chang KC and Lee GC. (1993). Neural networks trained by analytically simulated damage states. J Comput Civil Eng, 7(2):130-45.
[4] Sand A and Saka M. (2001). Prediction of ultimate shear strength of reinforced-concrete deep beams using neural networs. J Struct Eng, 127(7):818-828.
[5] Inel M. (2007). Modeling ultimate deformation capacity of RC columns using artificial neural networks. Eng Struct, 29(3):329-35.
[6] Tang S, Kong FK snd Poh SP. (1998). Shear strength of reinforcement and prestressed concrete deep beams. Proceedings of the Institution of Civil Engineers - Structures and Buildings, 128(2):112-123.
[7] Naderpour H and Alavi SA. (2017). A proposed model to estimate shear contribution of FRP in strengthened RC beams in terms of Adaptive Neuro-Fuzzy Inference System. Composite Structures, 170:.215-227.
[8] Hosseini G. (2017). Capacity Prediction of RC Beams Strengthened with FRP by Artificial Neural Networks Based on Genetic Algorithm. Soft Computing in Civil Engineering, 1(1):93-98.
[9] Farahnaki R. (2017). The application of particle swarm optimization and artificial neural networks to estimating the strength of reinforced concrete flexural members. Soft Computing in Civil Engineering, 1(2):1-7.
]10[ نادرپور حسین و فخاریان پویان. (1396). پیش‏ بینی مقاومت پیچشی تیرهای بتن ‏آرمه تقویت شده با FRP با استفاده از شبکه‏ های عصبی مصنوعی. مهندسی سازه و ساخت، شناسه دیجیتال 10.22065/JSCE.2017.70668.1023.
[11] Kong FK. (2002). Reinforced concrete Deep Beams. Taylor & Francis e – Library, Van Nostrand Reinhold New York.
[12] Smith KN and Vantsiotis AS. (1982). Shear strength of deep beams. ACI struct J, 79(3): 201-213.
[13] Kong FK, Robins PJ and Cole DF. (1970). Web reinforcement effects on deep beams. ACI struct J, 67(12):1010-1018.
[14] ACI , Committee 318. (2015). Building Code Requirements for Structural Concrete ( ACI 218 – 05 ) and Commentary ( ACI 318 – 05 ), USA.
[15] ACI – 318 , ACIC, (2008). 318 – 08 : Building Code Requirements for Structural Concrete and Commentary . American Concrete Institute.
[16] Mau ST and Hsu TSTC. (1989). Formula for the shear strength of deep beams. ACI Struct J, 86(5):516-523.
[17] Tang CY and Tan KH. (2004). Interactive mechanical model for shear strength of deep beams. J struct Eng, 130(10):1634-1544.
[18] CIRIA-Guide 2, C.I.R.a.I.A. (1977). CIRIA Guide 2: The Design of Deep Beams in Reinforcement Concrete.
[19] Hagan MT and Menhaj M. (1999). Training feed-forward networks with the Marquardt algorithm. IEEE Transactions on Neural Networks, 5:989-93.

کلیدواژه‌ها [English]

  • deep reinforced concrete beams
  • Shear strength
  • Artificial Neural Network
  • code recommendation

]1[ مهتا؛ مونته­ئیرو؛ مترجمین (رمضانیان­پور و همکاران)؛ "ریزساختار، خواص و اجزای بتن (تکنولوژی پیشرفته بتن)" انتشارات دانشگاه صنعتی امیرکبیر؛ صفحه 87 تا 93.

]2[ میندس، س؛ یانگ، ف؛ داروین، د؛ مترجمین (شکرچی­زاده و همکاران)؛ "بتن" انتشارات دانشگاه تهران؛ صفحه 156 تا 160.

[3] Sengul, Ö. Tasdemir, C. and Tasdemir, MA.; “Influence of aggregate type on mechanical behaviour of normal and high-strength concretes”; ACI Materials Journal 99, No. 6 (2002) 528-533.

[4]Goble, CF. and Cohen, MD.; “Influence of aggregate surface area on mechanicalproperties of mortar”; ACI Materials Journal 96, No. 6 (1999) 657-662.

[5] Zhou, FP. Lydon, FD. and Barr, BIG.; “Effect of coarse aggregate on elastic modulus andcompressive strength of high-performance concrete”; Cement and Concrete Research 25, No. 1 (1995) 177-186.

[6] Jae-Il, S. Keun-Hyeok, Y. and Joong-Kyu, J.; “Influence of aggregate size on the compressive size effect according to different concrete types”; Construction and Building Materials 44 (2013) 716-725.

[7] Jae-Il, S. Keun-Hyeok, Y. Kim, HY. and Choi, BJ.; “Size and shape effects on compressive strength of lightweight concrete”; Construction and Building Materials 33 (2013) 854-864.

[8] ASTM C642.; “Standard Test Method for Density, Absorption, and Voids in Hardened Concrete”; ASTM International; West Conshohocken (2006).

[9] BS EN-480-5.; “Tests methods, determination of capillary absorption”; British Standards Institution (1997).

[10] BS 1881-208.; “Testing concrete, Part 208. Recommendations for the determination of the initial surface absorption of concrete”; British Standards Institution (1997).

[11] ASTM C 1202.; “Standard Test Method for Electrical indication of concrete’s ability to resist chloride Ion penetration”; ASTM International; West Conshohocken (2006).

[12] AASHTO TP 64.; “Predicting chloride penetration of hydraulic cement concrete by the rapid migration procedure”; AASHTO (2007).

[13] Feldman, R.F. Chan, G.W. Brousseau, R.J.m. and Tumidajski, P.J.; “Investigation of rapid chloride permeability tests”; ACI Materials Journal 91, No. 2 (1994) 246-255.

]14[ باقری، ع؛ زنگانه، حامد؛ «مقایسه عملکرد روش RCMT برای ارزیابی سریع مقاومت بتن در برابر نفوذ یون کلر با     روش­های RCPT و مقاومت الکتریکی»؛ مجله عمران مدرس، سال 12، شمارة 3، پائیز 1391، صفحه 103 تا 112.

[15] Zhang, F. Li, N. Guo, M. and Chi, X.; “Coarse Aggregate Effects on Compressive Strength and Permeability Coefficient of Non-fine Concrete”; The Electronic Journal of Geotechnical Engineering 19, (2014) 8905-8912.

[16] Basheer, L. Basheer, P.A.M. Long, A.E.; “Influence of coarse aggregate on the permeation, durability and the microstructure characteristics of ordinary Portland cement concrete”, Construction and building materials 19, No. 9 (2005) 682-690.