تعیین ظرفیت باربری محوری ستون های بتنی مسلح شده با آرماتورهای طولی مارپیچ با استفاده از روش اجزای محدود و شبکه عصبی مصنوعی

نوع مقاله: علمی - پژوهشی

نویسندگان

1 گروه عمران - دانشکده ی مهندسی - دانشگاه شهید چمران اهواز

2 دانشجوی کارشناسی ارشد سازه، گروه عمران دانشکده مهندسی، دانشگاه شهید چمران اهواز

چکیده

ستون‌های بتنی با آرماتورهای طولی مارپیچ ایده‌ی جدیدی در طراحی هستند که در سال‌‌های اخیر مورد توجه محققین قرار گرفته‌اند. این ستون‌ها قابلیت باربری و شکل‌پذیری زیادی در مقایسه با ستون‌های مسلح شده با آرماتورهای طولی مرسوم دارند. کلیه‌ مطالعات در این زمینه به چند کار ازمایشگاهی بر روی پیکربندی‌های مختلف آرماتور مارپیچ محدود شده‌اند. در این مقاله برای نخستین بار، ستون‌های مسلح شده به آرماتور مارپیچ بوسیله‌ی روش اجزای محدود شبیه‌سازی شده است و سپس مدل اجزای محدود با استفاده از نتایج ازمایشگاهی، صحت سنجی شده است. به کمک نمونه‌ صحت سنجی شده می‌توان امکان مطالعه پارامتری گسترده روی رفتار باربری این گونه ستون‌ها که انجام آن در شرایط ازمایشگاهی بسیار هزینه بر و وقت گیر می‌باشد را فراهم ساخت. تاکنون برای این تیپ از ستون‌ها روش عددی برای تخمین ظرفیت باربری ارائه نشده است. در این مطالعه، همچنین برای بار نخست تلاش شده است تا ظرفیت باربری ستون‌های یاد شده با استفاده از شبکه‌ عصبی مصنوعی بدست آید. به دلیل کمبود امکانات ازمایشگاهی، از نمونه‌ی‌ صحت سنجی شده اجزای محدود برای تعیین پارامترهای تاثیر گذار بر ظرفیت باربری و همچنین تولید داده‌های مورد نیاز به عنوان ورودی برای شبکه‌ عصبی استفاده شد. پس از طراحی شبکه، نتایج حاصل از شبکه عصبی با چند نمونه ازمایشگاهی که در فرایند اموزش از انها استفاده نشده بود، راستی ازمایی گردید. در پایان علاوه بر روش شبکه‌ عصبی، از روش تحلیلی رگرسیون چندگانه که با برازش از میان نتایج حاصل از مدل‌سازی عددی رابطه‌ای بین متغیر-های ورودی و ظرفیت باربری نهایی ارائه می‌دهد، استفاده شد. نتایج حاصل از دو روش با دقت قابل قبولی بر این گواهی می‌دهند که این روش‌ها می‌توانند ظرفیت باربری این تیپ از ستون‌ها را با دقت قابل قبولی تخمین بزنند که می‌تواند در آینده به ارائه روابط کاربردی جهت طراحی و استفاده در صنعت ساختمان منجر شود.

کلیدواژه‌ها

موضوعات


عنوان مقاله [English]

Determining of Load Bearing Capacity of Rectangular Concrete Columns Reinforced with Longitudinal Spirals Using FEM and ANN Methods

نویسندگان [English]

  • Mojtaba Labibzadeh 1
  • Mohammad Dadak 2
1 Department of Civil Engineering, Faculty of Engineering, Shahid Chamran University of Ahvaz, Iran
2 Student of Faculty of Engineering, Department of Civil Engineering, Shahid Chamran University of Ahvaz
چکیده [English]

Concrete rectangular columns reinforced with longitudinal spirals are new types of RC columns which their behavior has been investigated by researchers in recent years. These researches are limited to some experimental studies which investigate the effect of different configurations and layouts of the spirals within the cross-section of these columns on the bearing capacity and ductility. In this study, for the first time, the behavior of these columns has been simulated using numerical approaches. Finite Element (FE) models of these columns were developed using ABAQUS/CAE/Explicit v.2016 and then verified against available valid experiments in literature. Subsequently, by performing several sensitivity analyses using verified EF model, the effective parameters on bearing capacity of this kind of columns were detected. By changing the value of these parameters in rational ranges, a comprehensive parametric analysis was done after that using FE models in order to produce necessary input data for training an Artificial Neural Network (ANN). This parametric study was performed because of the lake of sufficient available experimental data. The developed ANN was verified against some experimental data. Finally, in addition to ANN, a regression analysis was performed to obtain a polynomial function can predict the bearing capacity of these type of columns. Obtained results demonstrate that the combination of FE and ANN is an effective method to predict the load bearing capacity of RC columns with longitudinal spiral reinforcements and have a good agreement with the results of regression analysis.

کلیدواژه‌ها [English]

  • RC Column
  • Spiral Reinforcements
  • Load Bearing Capacity
  • FE Modelling
  • Artificial Neural Network

مقالات آماده انتشار، پذیرفته شده
انتشار آنلاین از تاریخ 16 بهمن 1396
  • تاریخ دریافت: 30 مهر 1396
  • تاریخ بازنگری: 17 دی 1396
  • تاریخ پذیرش: 16 بهمن 1396