Evaluation of Ultimate Torsional Strength of Reinforcement Concrete Beams Using Finite Element Analysis and Artificial Neural Network

محاسبه مقاومت پيچشي نهايي اعضاي بتني مسلح به دليل نقص تيوري الاستيسيته، كاري دشوار مي باشد. بنابراين، تحليل المان محدود براي تعيين مقاومت پيچشي روش مناسبي است. همچنين، شبكه‌هاي عصبي مصنوعي ابزاري كارآمد براي مدلسازي مسايل پيچيده، مبهم و با رفتار غيرخطي مي باشند. هدف اين تحقيق، محاسبه مقاومت پيچشي نهايي تيرهاي بتني مسلح مستطيلي است. اين مهم، با مدلسازي سه بعدي تير با روش المان محدود و ايجاد يك شبكه عصبي مصنوعي محقق شده است. معيار شكست ترد در مدل المان محدود براي شكست بتن و داده‌‌هاي آزمايشگاهي براي آموزش شبكه عصبي مورد استفاده قرار گرفته اند. براي مدلسازي عددي از يكي از نرم افزارهاي تجاري و براي اعتبار سنجي مدل عددي از داده‌هاي آزمايشگاهي موجود استفاده شده است. بمنظور آموزش شبكه عصبي، داده هاي در نظرگرفته شده به سه دسته آموزشي، آزمايشي و اعتبارسنجي تقسيم شده‌اند و شبكه پرسپترون سه لايه با الگوريتم پس انتشار خطا بكار گرفته شده است. دقت نتايج مدل سازي عددي، و نتايج پيش بيني شبكه عصبي با استفاده از داده هاي آزمايشگاهي موجود در ادبيات فني مقايسه شده‌اند.

Calculation of torsional strength of reinforcement concrete members due to the lacks of the theory of elasticity is a difficult task. Therefore, the finite element analysis could be applied to determination of strength of concrete beams. As well, for modeling of complicated, highly nonlinear and ambiguous phenomena, artificial neural networks (ANN) are appropriate tools. The main purpose of this paper is an evaluation of ultimate torsional strength of rectangular concrete beams. A three-dimensional finite-element model (FEM) along with establishing the artificial neural network is used for achieving this aim. The finite element model utilizes the brittle failure criterion for concrete fracture, and experimental data are applied for training of the ANN.The commercial software is used for numerical modeling, and existing experimental tests are used in validation of the proposed failure criterion. In order to apply the data for training of the network, they are divided into three categories: training, testing and validating data. For training of the proposed network, three-layer perceptron network with a back propagation error algorithm is used. Comparison of accuracies for applied failure criterion in the numerical modeling, and neural network predictions are carry out using the experimental tests.