تعداد نشریات | 44 |
تعداد شمارهها | 1,323 |
تعداد مقالات | 16,270 |
تعداد مشاهده مقاله | 52,953,753 |
تعداد دریافت فایل اصل مقاله | 15,624,434 |
تخمین انرژی شکست بتن با استفاده از شبکه عصبی مصنوعی | ||
نشریه مهندسی عمران و محیط زیست دانشگاه تبریز | ||
مقاله 1، دوره 42.1، شماره 66، خرداد 1391، صفحه 1-8 اصل مقاله (409.49 K) | ||
نوع مقاله: مقاله کامل پژوهشی | ||
نویسندگان | ||
حسن افشین* 1؛ نقدعلی چوپانی2؛ هادی فتحی پورآذر3 | ||
1دانشکده مهندسی عمران، دانشگاه صنعتی سهند | ||
2دانشکده مهندسی مکانیک، دانشگاه صنعتی سهند | ||
3دانشکده 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 | ||
: شبکه عصبی مصنوعی؛ مکانیک شکست؛ بتن؛ تخمین؛ انرژی شکست | ||
مراجع | ||
[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.
| ||
آمار تعداد مشاهده مقاله: 2,888 تعداد دریافت فایل اصل مقاله: 2,828 |