بررسی ظرفیت تغییرشکل جانبی ستون‌های بتن‌آرمه به کمک محاسبات نرم

نوع مقاله : مقاله پژوهشی

نویسندگان

1 گروه مهندسی عمران، دانشکده فنی و مهندسی، دانشگاه قم

2 دانشیار، دانشکده فنی و مهندسی، دانشگاه قم

چکیده

رفتار غیرخطی ستون‌ های بتن‌ آرمه تحت بارهای چرخه‌ ای، سبب کاهش امکان استفاده از روش‌ های تحلیل کلاسیک در بررسی ظرفیت تغییرشکل‌ آن‌ ها می‌ گردد. مدل‌ های ریاضی‌ـ‌تحلیلی مبتنی بر مفاهیم پایه و اصول مکانیک سازه و یا مدل‌ های تجربی‌ـ‌آماری مبتنی بر رگرسیون غیرخطی، عموماً فاقد دقت و سرعت کافی در پاسخ‌گویی به این‌ گونه مسائل می‌ باشند. محاسبات نرم امکان پاسخ‌ گویی به‌ مسائل پیچیده در شرایط عدم‌قطعیت را با دقت قابل قبول دارد. هدف اصلی این تحقیق، بررسی امکان استفاده از محاسبات نرم در بررسی ظرفیت تغییرشکل ستون‌ های بتن‌ آرمه با استفاده از داده‌های آزمایشگاهی جمع‌ آوری شده می‌ باشد. به این منظور با استفاده از سیستم استنتاج فازی عصبی تطبیقی و شبکه‌ های عصبی مصنوعی، چهار مدل ارائه می‌ گردد که مراحل آزمایش آن‌ ها با استفاده از داده‌ های بیش‌از 100 نمونه ستون بتن‌ آرمه که از بانک اطلاعاتی مرکز تحقیقات مهندسی زلزله وابسته به دانشگاه واشنگتن انتخاب شده، صورت گرفته است. متغیرهای اصلی هندسی و مکانیکی موثر بر تغییرشکل جانبی ستون به عنوان ورودی‌ های مدل تعریف گردیده‌ اند. تغییرمکان‌های جانبی متناظر خُرد شدن پوشش بتنی ستون و کاهش بیست درصدی مقاومت جانبی ستون به عنوان خرابی‌ های خمشی و خروجی مدل‌ها مورد استفاده قرار گرفته‌اند. دو مدل با الگوریتم انفیس و دو مدل به روش پرسپترون چندلایه کدنویسی شده‌اند. مقایسه‌ی مقادیر خطای دو مدل انفیس نسبت به دو مدل پرسپترون چندلایه نشان دهنده قابلیت مناسب انفیس در پیش‌بینی رفتار ستون‌های بتن‌آرمه تحت بار جانبی چرخه‌ای می‌باشد.

کلیدواژه‌ها

موضوعات

عنوان مقاله [English]

Investigating the Lateral Deformation Capacity of Reinforced Concrete Columns by Soft Computing

نویسندگان [English]

  • Mohammad Ali Hendouyan 1
  • Seyed Rohollah Hoseini Vaez 2
  • Mohammad Javad Haji Mazdarani 1
1 Department of Civil Engineering, Faculty of Engineering, University of Qom, Qom, Iran
2 Associate Professor, Department of Civil Engineering, University of Qom
چکیده [English]

The non-linear behavior of reinforced concrete columns under cyclic loads reduces the possibility of using classical analysis methods to check their deformation capacity. Mathematical-analytical models based on basic concepts and principles of structural mechanics or empirical-statistical models based on nonlinear regression generally lack sufficient accuracy and speed in answering such problems. The main goal of this research is to investigate the possibility of using soft computing in investigating the lateral deformation capacity of reinforced concrete columns using experimental data. For this purpose, four models are presented by using an adaptive neural fuzzy inference system and artificial neural networks. More than 100 samples of reinforced concrete columns from the PEER database were used for testing the models. The main geometric and mechanical variables affecting the lateral deformation of the column are defined as model inputs. The lateral displacements corresponding to the crushing of the concrete cover of the column and the 20% decrease in the lateral resistance of the column have been used as bending failures and output of the models. Two models are coded with the Adaptive Neuro-Fuzzy Inference System (ANFIS) and two models are modeled with the Multi-Layer Perceptron (MLP) method. Comparing the error values of ANFIS models compared to MLP models shows the appropriate ability of ANFIS in predicting the behavior of reinforced concrete columns under cyclic lateral load.

کلیدواژه‌ها [English]

  • Soft Computing
  • Reinforced Concrete Column
  • Lateral Deformation Capacity
  • Multi-Layer Perceptron (MLP)
  • Adaptive Neuro-Fuzzy Inference System (ANFIS)

مراجع

  1. K.-Y., et al., Deformation capacity of FRP retrofitted reinforced concrete columns with corroded reinforcing bars. Engineering Structures, 2022. 254: p. 113834.

    1. Deng, M., et al. Deformation capacity of over-reinforced concrete beams strengthened with highly ductile fiber-reinforced concrete. in Structures. 2021. Elsevier.
    2. Ding, M., et al., Seismic performance of prefabricated concrete columns with grouted sleeve connections, and a deformation-capacity estimation method. Journal of Building Engineering, 2022: p. 104722.
    3. Parvin, A. and M. Alhusban, Lateral Deformation Capacity and Plastic Hinge Length of RC Columns Confined with Textile Reinforced Mortar Jackets. CivilEng, 2021. 2(3): p. 670-691.
    4. Tang, C.-W., H.-J. Chen, and T. Yen, Modeling confinement efficiency of reinforced concrete columns with rectilinear transverse steel using artificial neural networks. Journal of Structural Engineering, 2003. 129(6): p. 775-783.
    5. Inel, M., Modeling ultimate deformation capacity of RC columns using artificial neural networks. Engineering Structures, 2007. 29(3): p. 329-335.
    6. Naderpour, H., A. Kheyroddin, and G.G. Amiri, Prediction of FRP-confined compressive strength of concrete using artificial neural networks. Composite Structures, 2010. 92(12): p. 2817-2829.
    7. Emami, H. and S. Emami, Application of Whale Optimization Algorithm Combined with Adaptive Neuro-Fuzzy Inference System for Estimating Suspended Sediment Load. Journal of Soft Computing in Civil Engineering, 2021. 5(3): p. 1-14.
    8. Huang, Y. and S. Wu, Hybrid adaptive neuro fuzzy inference system for optimization mechanical behaviors of nanocomposite reinforced concrete. Advances in nano research, 2022. 12(5): p. 515-527.
    9. Naderpour, H. and M. Mirrashid, A Neuro-Fuzzy model for punching shear prediction of slab-column connections reinforced with FRP. Journal of Soft Computing in Civil Engineering, 2019. 3(1): p. 16-26.
    10. Peng, J., et al. Prediction and optimization of the flexural behavior of corroded concrete beams using adaptive neuro fuzzy inference system. in Structures. 2022. Elsevier.
    11. Naderpour, H., et al., A new proposed approach for moment capacity estimation of ferrocement members using Group Method of Data Handling. Engineering Science and Technology, an International Journal, 2020. 23(2): p. 382-391.
    12. Naderpour, H., et al., Innovative models for prediction of compressive strength of FRP-confined circular reinforced concrete columns using soft computing methods. Composite Structures, 2019. 215: p. 69-84.
    13. Naderpour, H., A.H. Rafiean, and P. Fakharian, Compressive strength prediction of environmentally friendly concrete using artificial neural networks. Journal of Building Engineering, 2018. 16: p. 213-219.
    14. Rezazadeh Eidgahee, D., et al., Data-driven estimation models of asphalt mixtures dynamic modulus using ANN, GP and combinatorial GMDH approaches. Neural Computing and Applications, 2022: p. 1-26.
    15. Bilgehan, M., Comparison of ANFIS and NN models—With a study in critical buckling load estimation. Applied Soft Computing, 2011. 11(4): p. 3779-3791.
    16. Amani, J. and R. Moeini, Prediction of shear strength of reinforced concrete beams using adaptive neuro-fuzzy inference system and artificial neural network. Scientia Iranica, 2012. 19(2): p. 242-248.
    17. Jalal, M., et al., Application of genetic programming (GP) and ANFIS for strength enhancement modeling of CFRP-retrofitted concrete cylinders. Neural Computing and Applications, 2013. 23(2): p. 455-470.
    18. Wibowo, A., et al., Drift performance of lightly reinforced concrete columns. Engineering Structures, 2014. 59: p. 522-535.
    19. Parrish, M.M., Accuracy of seismic performance methodologies for rectangular reinforced concrete columns. 2001.
    20. Camarillo, H.R., Evaluation of shear strength methodologies for reinforced concrete columns. 2003.
    21. Brachmann, I., J. Browning, and A.B. Matamoros, Drift Capacity Approaches of Rectangular Slender Reinforced Concrete Columns under Cyclic Loading. 2002, University of Kansas Center for Research, Inc.
    22. Berry, M.P. and M.O. Eberhard, Performance models for flexural damage in reinforced concrete columns. 2004: Pacific Earthquake Engineering Research Center.
    23. 318, A.C. Building Code Requirements for Structural Concrete (ACI 318-19): An ACI Standard; Commentary on Building Code Requirements for Structural Concrete (ACI 318R-19). 2020. American Concrete Institute.
    24. Li, L., MATLAB user manual. Matlab: Natick, MA, USA, 2001.

فایل ها

سابقه مقاله

  • تاریخ دریافت: 06 مرداد 1401
  • تاریخ بازنگری: 15 آبان 1401
  • تاریخ پذیرش: 15 آذر 1401
  • تاریخ اولین انتشار: 15 آذر 1401

اشتراک گذاری

ارجاع به این مقاله

آمار