پیش بینی مقاومت خمشی تیرهای تقویت شده به روش NSM-FRP با استفاده از شبکه های عصبی مصنوعی
Publish Year: 1396
Type: Journal paper
Language: Persian
View: 511
This Paper With 13 Page And PDF Format Ready To Download
- Certificate
- I'm the author of the paper
Export:
Document National Code:
JR_JSEC-4-4_003
Index date: 9 July 2019
پیش بینی مقاومت خمشی تیرهای تقویت شده به روش NSM-FRP با استفاده از شبکه های عصبی مصنوعی abstract
یکی از متداول ترین روش های تقویت اعضای بتن مسلح استفاده از الیاف های پلیمری می باشد. روش کاشت آرماتورهای FRP در پوشش اعضای بتنی (NSM-FRP)، اخیرا توجه محققین بسیاری را به خود جلب کرده است. در این روش بهدلیل اتصال بیشتر آرماتورها با بتن، از ظرفیت مصالح الیاف های پلیمری استفاده کاملتری میگردد. این روش دارای مزایای قابل توجهی نسبت به سایر روش های مقاوم سازی می باشد، این در حالی است که مطالعات عددی کم تری در این زمینه نسبت به تکنیک های قدیمی تر مانند اتصال سطحی ورق های FRP انجام شده است. شبکه های عصبی مصنوعی ابزاری مناسب و کارآمد برای بررسی و پیش بینی پاسخ یک سیستم بر پایه تعداد زیادی داده های آزمایشگاهی می باشد. اساس کار این شبکه ها مبتنی بر پروسه یادگیری به عنوان جایگزین مناسب روش رگرسیون های معمول در جهت به حداقل رساندن خطای محتمل مطرح می باشد. در این تحقیق نتایج آزمایشات انجام شده در زمینه ی تقویت خمشی تیرهای بتن مسلح با استفاده از سیستم NSM-FRP جمع آوری و پس از شناسایی پارامترهای موثر بر رفتار خمشی تیرهای تقویت شده به عنوان پارامترهای ورودی شبکه عصبی مصنوعی، با انتخاب نسبت افزایش ممان خمشی تیر به عنوان تابع هدف مدل شبکه عصبی ایجاد و به بررسی مقاومت خمشی تیرهای تقویت شده پرداخته شده است. درنهایت با توجه به بررسی های پارامتریک، رابطه ای به منظور پیش بینی مقاومت نهایی تیرهای تقویت شده ارائه شده است.
پیش بینی مقاومت خمشی تیرهای تقویت شده به روش NSM-FRP با استفاده از شبکه های عصبی مصنوعی Keywords:
پیش بینی مقاومت خمشی تیرهای تقویت شده به روش NSM-FRP با استفاده از شبکه های عصبی مصنوعی authors
سید روح الله حسینی واعظ
استادیار، دانشکده فنی و مهندسی، دانشگاه قم، قم، ایران
حسین نادرپور
دانشیار، دانشکده مهندسی عمران، دانشگاه سمنان، سمنان، ایران
محمد براتی
دانشجوی کارشناسی ارشد مهندسی عمران، دانشکده فنی و مهندسی، دانشگاه قم، قم، ایران
مراجع و منابع این Paper:
لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :