ارائه مدل پيش بيني مقاومت فشاري ستون هاي با مقاطع مستطيل محصور شده با الياف پليمري (FRP) به وسيله ي روش برنامه نويسي عبارتي ژنتيك (GEP)

A Proposed Model for Compressive Strength Prediction of FRP-Confined Rectangular Columns in terms of Genetic Expression Programming (GEP)

در ميان روش هاي مختلف براي مقاوم سازي و بهسازي سازه ها و به‌خصوص ستون هاي بتني، استفاده از مصالح الياف پليمري (FRP) به دليل مزيت هاي فراوان رواج يافته است. پژوهش‌هاي زيادي در ارتباط با رفتار اين مصالح در اعضاي مختلف سازه و تحت بارگذاري هاي مختلف صورت گرفته است. در اين تحقيق، با بيان چالش هاي موجود در نمونه هاي با مقاطع مربع و مستطيل به بررسي و آناليز مدل هاي ارائه شده به منظور تخمين مقاومت اين نمونه ها پرداخته شده و مدلي بر اساس روش برنامه‌نويسي عبارتي ژنتيك (GEP)، ارائه گرديده است. اين روش، بر مبناي استفاده از مواليد تصادفي توابع مشخص مي تواند به خوبي رابطه بين مجموع داده هاي ورودي و خروجي را تخمين زده و به عنوان جايگزين مناسبي براي جلوگيري از انجام آزمون هاي آزمايشگاهي مجدد به شمار رود. با استفاده از روابط متداول به منظور سنجش خطاي مدل به دست آمده، مي توان نتيجه گرفت تطابق خوبي بين داده هاي آزمايشگاهي و مقادير تخمين زده شده وجود دارد. ضريب همبستگي بين داده هاي آزمايشگاهي و تخمين زده شده به وسيله ي مدل در مرحله ي آموزش و اعتبارسنجي به ترتيب 0.923 و 0.922 مي باشند كه نشان دهنده ي كارايي مناسب مدل ارائه شده بر پايه برنامه نويسي ژنتيك مي باشد.

Fiber reinforced polymers (FRP) are one of the most commonly used materials for rehabilitation and retrofit of structures, mainly concrete structures. There are many reported studies on the behavior of these materials under different types of loading and structures. The aim of this study is to declare the challenges and investigate the efficiency of existing models for samples with rectangular and square sections. Moreover, a new empirical model is developed to predict the strength of FRP confined samples using gene expression programming (GEP). The best model is selected after establishing and controlling several models with different combinations of the influencing parameters. An analysis is carried out to check the performance of the introduced model based on the common criteria such as correlation of coefficient (R). This parameter is 0.923 and 0.922 for training and testing datasets, respectively which reveals a good agreement between the predicted and measured data in the developed GEP model.