تخمین انرژی شکست بتن با استفاده از شبکه عصبی مصنوعی

نوع مقاله : مقاله کامل پژوهشی

نویسندگان

1 دانشکده مهندسی عمران، دانشگاه صنعتی سهند

2 دانشکده مهندسی مکانیک، دانشگاه صنعتی سهند

3 دانشکده مهندسی معدن، دانشگاه صنعتی سهند

چکیده

بتن یکی از رایج‏ترین مصالح صنعتی و ساختمانی است که به دلیل اقتصادی بودن اهمیت روز افزونی پیدا می‏کند. در سال‏های اخیر با بهره‏گیری از روش‏های مختلف آزمایشگاهی، پارامتر‏های شکست مواد سیمانی مانند بتن مورد بررسی قرار گرفته است؛ نقش این پارامتر‏ها در طراحی سازه‏های سطحی و زیر‏سطحی از اهمیت ویژه‏ای برخوردار است. در این مقاله مدل شکست بر ‏اساس شبکه عصبی برای تخمین پارامترشکست بتن  GF(انرژی مخصوص شکست که مساحت زیر منحنی تنش- بازشدگی نوک ترک است) در بارگذاری تحت خمش سه نقطه‏ای (3PB) ارائه شده است. می‏توان با استفاده از شبکه عصبی و آموزش صحیح شبکه و متعاقباً ایجاد رابطه منطقی بین متغیر‏‏های ورودی و خروجی، مدل بهینه‏ای برای هر سری از داده‏ها ایجاد کرد و سپس با ارزیابی دقت شبکه، از آن‏ها به عنوان یک ابزار مؤثر برای تخمین انرژی شکست بتن استفاده کرد.

کلیدواژه‌ها


عنوان مقاله [English]

Estimating Fracture Eenergy of Concrete Using Artificial Neural Networks

نویسندگان [English]

  • Hasan Afshin 1
  • N. Ali Choupani 2
  • Hadi Fathipour Azar 3
1 Faculty of Civil Engineering, Sahand University of Technology
2 Faculty of Mechanical Engineering, Sahand University of Technology
3 Mining Engineering, Sahand University of Technology

کلیدواژه‌ها [English]

  • Artificial neural networks (ANNs)
  • Fracture mechanics
  • Concrete
[1]        Kaplan, M., "Crack Ppropagation and the Ffracture of Concrete", American Concrete Institute ACI. J., 1961, 58 (5),591-610.
[2]        Topcu, I. B., Saridemir, M., "Prediction of Compressive Strength of Concrete Containing Fly Ash Using Artificial Neural Networks and Fuzzy Logic", Computational Materials Science, 2008, 41(3), 305-311.
[3]        Bazant, Z. P., Becq-Giraudon, E., "Statistical Prediction of Fracture Parameters of Concrete and Implications for Choice of Testing Standard", Cement and Concrete Research, 2002, 32 (4), 529-556.
[4]        Ince, R., "Prediction of Fracture Parameters of Concrete by Artificial Neural Networks", Engineering Fracture Mechanics, 2004, 71 (15), 2143-2159.
[5]        Roesler, J., Paulino, G. H., Park, K., Gaedicke, C., "Concrete Fracture Prediction Using Bilinear Softening", Cement and Concrete Composites, 2007, 29 (4), 300-312.
[6]        Einsfeld, R. A., Velasco, M. S. L., "Fracture Parameters for High-Performance Concrete", Cement and Concrete Research, 2006, 36(3), 576-583.
[7]        Reis, J., Ferreira, A., "A contribution to the Study of the Fracture Energy of Polymer Concrete and Fiber Reinforced Polymer Concrete", Polymer Testing, 2004, 23 (4), 437-440.
[8]        Zhao, Z., Kwon, S. H., Sandra, S. P., "Effect of Specimen Size on Fracture Energy and Softening Curve of Concrete: Part I. Experiments and Fracture Energy", Cement and Concrete Research, 2008, 38 (8-9), 1049-1060.
[9]        Hu, X., Duan, K., "Influence of Fracture Process Zone Height on Fracture Energy of Concrete", Cement and Concrete Research, 2004, 34 (8), 1321-1330.
[10]     Topcu, I. B., Karakurt, C., Sarıdemir, M., "Predicting the Strength Development of Cements Produced with Different Pozzolans by Neural Network and Fuzzy Logic", Materials & Design, 2008, 29 (10), 1986-1991.
]11[    منهاج، م.، "هوش محاسباتی (جلد اول): مبانی شبکه‏های عصبی"، مرکز نشر دانشگاه صنعتی امیر‏کبیر، چاپ ششم، تهران، 1388.
[12]     INCE, R., "Artificial Neural Network Based Analysis of Effective Crack Model in Concrete Fracture", Fatigue & Fracture of Engineering Materials & Structures, 2010, 33 (9), 595-606.