پیش‏ بینی مقاومت پیچشی تیرهای بتن ‏آرمه تقویت شده با FRP با استفاده از شبکه‏ های عصبی مصنوعی

نوع مقاله: علمی - پژوهشی

نویسندگان

1 دانشیار، دانشکده مهندسی عمران، دانشگاه سمنان، سمنان، ایران

2 دانشجوی دکتری مهندسی عمران، دانشکده مهندسی عمران، دانشگاه سمنان، سمنان، ایران

چکیده

اعضای سازه ای بتن آرمه نظیر تیرهای پیرامونی، تیرهای حلقوی در پایین دال دایروی، تیرهای نگهدارنده سایبان و سایر انواع تیرها تحت بارگذاری پیچشی قرار می گیرند. مقاوم سازی چنین تیرهایی به ویژه در شرایطی که بارهای سرویس افزایش می یابند و یا ظرفیت سازه ای در اثر گذشت زمان تقلیل می یابد و همچنین شرایطی که به روزرسانی ضوابط آیین نامه ای انجام می‎شود، ضروری به نظر می رسد. تقویت تیرهای بتن آرمه تحت پیچش توسط صفحات FRP یکی از مدرن ترین تکنیک های موجود در صنعت ساختمان می باشد. مقام سازی سازه ها به کمک FRP باعث افزایش در ظرفیت خمشی، برشی و پیچشی و همچنین سبب تغییر در مود شکست و صفحه شکست می گردد. در این مقاله، پیش بینی مقاومت پیچشی تیرهای بتن آرمه تقویت شده با FRP به کمک شبکه های عصبی مصنوعی مورد بررسی قرار گرفته است. پارامترهای ورودی شبکه عصبی شامل عرض تیر بتن آرمه، ارتفاع تیر، ضخامت ورق FRP، مدول الاستیسیته ورق FRP، تنش تسلیم میلگردهای طولی و عرضی، مقاومت فشاری بتن، عرض موثر نوار تقویت برشی در راستای طول تیر، فاصله مرکز تا مرکز رکابی FRP، زاویه دورپیچ ورقه FRP و تعداد دورپیچ های FRP در نظر گرفته شدند. پارامتر هدف، لنگر پیچشی قابل تحمل توسط تیر می باشد. نتایج تحقیق نشان می دهد شبکه عصبی مصنوعی بهینه با تعداد مشخص نورون در لایه پنهان، با دقت مناسبی می تواند مقاومت پیچشی تیرهای بتن آرمه تقویت شده با FRP را تخمین بزند و از این جهت، می تواند جایگزین مناسبی برای روش های زمان بر و پرهزینه آزمایشگاهی باشد.

کلیدواژه‌ها

موضوعات


عنوان مقاله [English]

Predicting the Torsional Strength of Reinforced Concrete Beams Strengthened with FRP Sheets in terms of Artificial Neural Networks

نویسندگان [English]

  • Hosein Naderpour 1
  • Pouyan Fakharian 2
1 Associate Professor, Faculty of Civil Engineering, Semnan University, Semnan, Iran
2 PhD Student in Civil Engineering, Faculty of Civil Engineering, Semnan University, Semnan, Iran
چکیده [English]

Reinforced concrete (RC) structural elements such as peripheral beams, beams supporting the canopy, ring beams of circular slabs are common members which could encounter torsional moments. One of the up-to-date and modern techniques for strengthening such beams is using FRP sheets. The increase of service loads, degradation of mechanical properties and updates in code regulations would cause to the need for retrofit. Using FRP sheets as a strengthening technique would increase the flexure, shear and torsion capacity. It would also change the failure mode and/or plane. In this article, torsional strength prediction of RC beams strengthened by FRP using artificial neural networks has been investigated. Input parameters of ANNs are RC beam width, height, FRP sheet thickness, modulus of elasticity of FRP sheet, yielding stress of longitudinal and transverse steels, the compressive strength of concrete, the effective width of shear strips along beam length, center-to-center space of FRP strips, the angle of wrapping and number of FRP layers. The target parameter is the capacity of the beam in bearing the torsional moment. The results indicate that the idealized neural network having definite number of neurons in hidden layer, can predict the torsional strength of RC beams externally bonded with FRP with a high degree of precision. Considering the mentioned precision, the method could be an efficient alternative for time-consuming and highly cost experimental programs.

کلیدواژه‌ها [English]

  • RC Beam
  • Torsional Strength
  • FRP
  • ANN
  • Torsion

[1] A. Ghobarah, M.N. Ghorbel, S.E. Chidiac, Upgrading Torsional Resistance of Reinforced Concrete Beams Using Fiber-Reinforced Polymer, J Compos Constr. 6 (2002) 257–263. doi:10.1061/(ASCE)1090-0268(2002)6:4(257).

[2] S. Panchacharam, A. Belarbi, Torsional Behavior of Reinforced Concrete Beams Strengthened with FRP Composites, First FIB Congr. (2002) 1–11. http://rb2c.mst.edu/media/research/rb2c/documents/torsional.pdf.

[3] M. Ameli, H.R. Ronagh, P.F. Dux, Experimental investigations on FRP strengthening of beams in torsion, in: FRP Compos Civ Eng 2004, AA Balkema, 2005: pp. 587–592.

[4] A.K.Y. Hii, R. Al-Mahaidi, Experimental Investigation on Torsional Behavior of Solid and Box-Section RC Beams Strengthened with CFRP Using Photogrammetry, J Compos Constr. 10 (2006) 321–329. doi:10.1061/(ASCE)1090-0268(2006)10:4(321).

[5] M.R. Mohammadizadeh, M.J. Fadaee, H.R. Ronagh, Improving torsional behaviour of reinforced concrete beams strengthened with carbon fibre reinforced polymer composite, Iran Polym J. 18 (2009) 315–327.

[6] M.H. Arslan, Predicting of torsional strength of RC beams by using different artificial neural network algorithms and building codes, Adv Eng Softw. 41 (2010) 946–955. doi:10.1016/j.advengsoft.2010.05.009.

[7] A. Deifalla, A. Ghobarah, Strengthening RC T-Beams Subjected to Combined Torsion and Shear Using FRP Fabrics: Experimental Study, J Compos Constr. 14 (2010) 301–311. doi:10.1061/(ASCE)CC.1943-5614.0000091.

[8] A.S. Mahmood, M.N. Mahmood, Torsional Behavior of Prestressed Concrete Beams Strengthened, (2011).

[9] C. Tudu, Study of Torsional Behaviour of Rectangular Reinforced Concrete Beams Study of Torsional Behaviour of Rectangular Reinforced Concrete Beams, 2012.

[10] V.H. Jariwala, P. V. Patel, S.P. Purohit, Strengthening of RC Beams Subjected to Combined Torsion and Bending with GFRP Composites, Procedia Eng. 51 (2013) 282–289. doi:10.1016/j.proeng.2013.01.038.

[11] R. Rafeeq, Torsional Strengthening of Reinforced Concrete Beams Using CFRP Composites, Portland State University, 2016. doi:10.15760/etd.3121.

[12] G.C. Behera, T.D.G. Rao, C.B.K. Rao, Torsional behaviour of reinforced concrete beams with ferrocement U-jacketing—Experimental study, Case Stud Constr Mater. 4 (2016) 15–31. doi:10.1016/j.cscm.2015.10.003.

[13] S.K. Elwan, Torsion strengthening of RC beams using CFRP (parametric study), KSCE J Civ Eng. 0 (2016) 1–9. doi:10.1007/s12205-016-0156-7.

[14] H. Naderpour, A. Kheyroddin, G.G. Amiri, Prediction of FRP-confined compressive strength of concrete using artificial neural networks, Compos Struct. 92 (2010) 2817–2829. doi:10.1016/j.compstruct.2010.04.008.

[15] M. Ahmadi, H. Naderpour, A. Kheyroddin, Utilization of artificial neural networks to prediction of the capacity of CCFT short columns subject to short term axial load, Arch Civ Mech Eng. 14 (2014) 510–517. doi:10.1016/j.acme.2014.01.006.

[16] A. Kheyroddin, H. Naderpour, M. Ahmadi, Compressive Strength of Confined Concrete in CCFST Columns, J Rehabil Civ Eng. 2 (2014) 71–80.

[17] H. Naderpour, A. Kheyroddin, G. Ghodrati Amiri, S.R. Hoseini Vaez, Estimating the behavior of FRP-strengthened RC structural members using artificial neural networks, Procedia Eng. 14 (2011) 3183–3190. doi:10.1016/j.proeng.2011.07.402.

[18] D. Rezazadeh Eidgahee, F. Fasihi, H. Naderpour, Optimized Artificial Neural Network for Analyzing Soil-Waste Rubber Shred Mixtures, Sharif J Civ Eng. 31.2 (2015) 105–111.

[19] G. Shafabakhsh, H. Naderpour, F. Fasihi, Optimized ANN Algorithm for Analyzing the Road Flexible Pavements, Ournal Model Eng. 8 (2010) 45–56. doi:10.22075/JME.2017.1559.

[20] H. Naderpour, H. Vosoughifar, E. Ghobakhloo, Evaluation of Effective Parameters on Wave Diffraction of Far-Fault Ground Motions Using Artificial Neural Networks, Sharif J Civ Eng. 32.2 (2016) 13–23. http://journal.sharif.ir/journals/sjce/article_981_104.html.

[21] G. Shafabakhsh, H. Naderpour, R. Noroozi, Optimized ANN Algorithm for Analyzing the Road Rigid Pavements, Q J Transp Eng. 3 (2011) 43–54.

[22] H. Naderpour, P. Fakharian, F. Hosseini, Prediction of Behavior of FRP-Confined Circular Reinforced Concrete Columns using Artificial Neural Network, in: 8th Natl Conf Concr, Tehran, Iran, 2016. doi:10.13140/RG.2.2.11714.58568.

[23] H. Naderpour, S.A. Alavi, A proposed model to estimate shear contribution of FRP in strengthened RC beams in terms of Adaptive Neuro-Fuzzy Inference System, Compos Struct. 170 (2017) 215–227. doi:10.1016/j.compstruct.2017.03.028.

[24] S. Hosseini Vaez, H. Naderpour, M. Barati, Estimating the behavior of RC beams strengthened with NSM system using artificial neural networks, J Struct Constr Eng. 4 (2017) 16–28. doi:10.22065/jsce.2017.44332.

[25] C.E. Chalioris, Analytical model for the torsional behaviour of reinforced concrete beams retrofitted with FRP materials, Eng Struct. 29 (2007) 3263–3276. doi:10.1016/j.engstruct.2007.09.009.

[26] State Planning Organization and Management, Design guidelines and customer agreement executive improvement of existing concrete structures using reinforced materials FRP (Publication 345), (2006).

[27] M. Ameli, H.R. Ronagh, P.F. Dux, Behavior of FRP Strengthened Reinforced Concrete Beams under Torsion, J Compos Constr. 11 (2007) 192–200. doi:10.1061/(ASCE)1090-0268(2007)11:2(192).

[28] H. Zhang, J. W., Lu, Z. T. Zhu, Experimental study on the behaviour of RC torsional members externally bonded with CFRP, in: 2001.

[29] A.K.Y. Hii, R. Al-Mahaidi, Torsional Capacity of CFRP Strengthened Reinforced Concrete Beams, J Compos Constr. 11 (2007) 71–80. doi:10.1061/(ASCE)1090-0268(2007)11:1(71).

[30] C.E. Chalioris, Torsional strengthening of rectangular and flanged beams using carbon fibre-reinforced-polymers – Experimental study, Constr Build Mater. 22 (2008) 21–29. doi:10.1016/j.conbuildmat.2006.09.003.

[31] M.R. Mohammadizadeh, M.J. Fadaee, H.R. Ronagh, A. Ahmadinezhad, Behavior of high-strength concrete beams strengthened with CFRP sheets in torsion, (2008) 22–24.

[32] M.R. Mohammadizadeh, M.J. Fadaee, Torsional Behaviour of High-Strength Concrete Beams Strengthened Using CFRP Sheets ; an Experimental and Analytical Study, 16 (2009).

[33] S. Ma, N.M. Bunnori, K.K. Choong, Evaluation of Ultimate Strength of Reinforced Concrete Beams Strengthened with FRP Sheets under Torsion, MATEC Web Conf. 47 (2016) 2006. doi:10.1051/matecconf/20164702006.

[34] B. Peter, T.B. Edil, DESIGN OF HIGHWAY EMBANKMENTS USING TIRE CHIPS By Peter, 123 (1997) 295–304.

[35] L. Milne, Feature selection using neural networks with contribution measures, in: Aust Conf Artif Intell AI’95, Citeseer, 1995: pp. 1–8.