پديد آورندگان :
شاه منصوري، اميرعلي دانشگاه مازندران - دانشكده فني و مهندسي - گروه مهندسي عمران , اكبرزاده بنگر، حبيب دانشگاه مازندران - دانشكده فني و مهندسي - گروه مهندسي عمران , جعفري، ابوذر دانشگاه شانگهاي جيائوتونگ - چين
كليدواژه :
ديوارهاي گهواره‌اي بتني , شبكه عصبي چند هدفه , پس‌كشيدگي , برآورد رفتار جانبي
چكيده فارسي :
ديوارهاي گهواره‌اي بتني به دليل هزينه‌هاي خرابي و تعمير كمتر، يك جايگزين مناسب براي ديوارهاي برشي بتني معمولي هستند. شناخت رفتار دقيق عناصر سازه‌اي به طور كلي با انجام آزمايشات جامع، كه پرهزينه و زمان‌بر است، حاصل مي‌شود. با توجه به مطالعات پيشين و روند پژوهش در زمينه ديوارهاي گهواره‌اي، ضرورت ارائه يك مدل جامع به منظور طراحي ديده مي‌شود. ارائه يك مدل تئوري جهت پيش‌بيني رفتار ديوارهاي گهواره‌اي بتني، كه پارامترهاي متنوعي را شامل شود، امري دشوار مي‌باشد و محاسبه همزمان اثر آن پارامترها نيازمند يك مدل جامع است. ارائه چنين مدلي از طريق روش‌هاي كلاسيك يا عددي، به دليل پيچيدگي مسئله يا دشواري‌هاي مدل‌سازي، نيازمند صرف زمان زياد و محاسبات پيچيده است. اما حل اين مسئله به وسيله روش‌هاي محاسبات نرم امكان ساده‌سازي و تسريع اين محاسبات را فراهم مي‌سازد. از اين رو، اين پژوهش با هدف ارائه يك مدل شبكه عصبي چند هدفه براي پيش‌بيني رفتار جانبي ديوارهاي گهواره‌اي بتني انجام شده است. براي ايجاد داده‌هاي مورد نياز جهت مدل‌سازي، از نتايج آزمايشگاهي استفاده شد و تمام پارامترهاي موثر بر ظرفيت باربري جانبي ديوارهاي گهواره‌اي بتني استخراج شد تا از آنها به عنوان پارامترهاي ورودي استفاده شود. سرانجام، منحني‌هاي بار جانبي-تغيير مكان و تار خنثي-تغيير مكان به عنوان پارامترهاي خروجي پيش‌بيني شدند. علاوه بر اين، دقت روابط موجود ارائه شده در آيين‌نامه‌هاي بتن بين‌المللي و توسعه يافته توسط محققان در پيش‌بيني مقاومت خمشي ديوارهاي گهواره‌اي بتني با استفاده از نتايج آزمايشات انجام شده بر روي اين ديوارها بررسي شد. اين پژوهش نشان مي‌دهد كه مدل شبكه عصبي چند هدفه با دقت قابل قبولي رفتار جانبي ديوارهاي گهواره‌اي بتني را پيش‌بيني مي‌كند. اين مدل قادر است سختي اوليه، سختي ثانويه، مقاومت بيشينه و ظرفيت دوراني را به درستي پيش‌بيني كند. مطابق با نتايج، روابط آيين‌نامه‌هاي طراحي بتن ايالات متحده (ACI 318-14)، نيوزيلند (NZS 3101) و استراليا (AS 3600) مقاومت خمشي ديوارهاي گهواره‌اي بتني را در محدوده 0.59 تا 0.99 مقادير واقعي پيش‌بيني مي‌كنند. همچنين، آيين‌نامه طراحي بتن كانادا (CSA-A23.3) پيش‌بيني بسيار محافظه كارانه‌اي از مقاومت خمشي ديوارها ارائه مي‌دهد. با وجود اين، مدل شبكه عصبي چند هدفه پيش‌بيني‌هاي بسيار دقيقي را در مقايسه با آيين‌نامه‌هاي بررسي شده و عبارات موجود نشان داد.
كليدواژه‌ها
چكيده لاتين :
Concrete rocking walls (CRWs) are an appropriate alternative for common concrete shear walls due to lower repair and downtime costs. Knowing the exact behavior of structural elements is generally achieved by conducting comprehensive experiments, which are costly and time-consuming. According to previous studies and research trends in the field of rocking walls, it is necessary to provide a comprehensive model for design purposes. It is difficult to provide a theoretical model for predicting the behavior of concrete rocking walls, which includes a variety of parameters, and simultaneous calculation of the effect of those parameters requires a comprehensive model. Providing such a model through classical or numerical methods, due to the complexity of the problem or modeling difficulties, requires much time and complex calculations. However, solving this problem by soft computing methods makes it possible to simplify and speed up these calculations. Therefore, this paper aims to develop a multi-objective neural network (MNN) model to predict the lateral behavior of CRWs. To generate the required data for modeling, experimental results were employed, and all the parameters affecting the lateral bearing capacity of CRWs were extracted to use them as input parameters. Finally, the lateral force-displacement and neutral axis-displacement curves were predicted as the output parameters. Besides, the accuracy of the existing equations presented in international concrete codes and developed by researchers in predicting the flexural strength of CRWs was investigated using the results of experiments performed on these walls. This study shows that the MNN model predicts the lateral behavior of CRWs with acceptable accuracy. This model is able to correctly predict initial stiffness, secondary stiffness, maximum strength, and rotational capacity. According to the results, the terms of the concrete design codes of the United States (ACI 318-14), New Zealand (NZS 3101), and Australia (AS 3600) predict the flexural strength of CRWs in the range of 0.59 to 0.99 actual values. Also, Canada's concrete design code (CSA-A23.3-04) provides a highly unconservative prediction of the walls' flexural strength. Nevertheless, the MNN model showed more accurate predictions in comparison with the investigated codes and existing expressions.
