تخمین تنش باند فولاد-بتن پروفیلی در سازه های مرکب

ساختمان های بلند و سازه های سنگین از عناصر مهم ساخت و ساز شهری هستند. سازه‌های بتن مسلح (RC) سیستم سازه‌ای با فناوری نسبتاً بالغ هستند، اما محدودیت ظرفیت بار محوری کم و تغییر شکل‌پذیری بین لایه‌ای کوچک یا جانبی در ساختمان‌های بلند و پل‌های سنگین دارند. اجزای کامپوزیتی بتن مسلح فولادی (SRC) اعضایی هستند که با فولاد پروفیلی (به عنوان مثال I شکل، H شکل و متقاطع) در بخش های بتن مسلح محصور شده اند و این فولادهای پروفیل شده می توانند به بهبود ظرفیت تحمل بار کمک کنند. و تغییر شکل اجزای RC [1]، [2]، [3]، [4].

تحقیقات متعددی بر روی برشی [5]، [6]، [7]، [8]، [9]، [10] و خمشی [11، [12]، [13]، [14]، 15 رفتار پرتوهای SRC، عملکرد فشاری [16]، [17]، [18]، [19]، [20] و هیسترتیک [21، [22]، [23]، [24]، [25] ستون‌های SRC یا دیوارهای برشی و پاسخ لرزه‌ای قاب‌های SRC [26]، [27]، [28]، [29]. همه این تحقیقات تلاش می‌کنند ترکیب بهینه فولاد پروفیل شده و بتن را از منظر رفتار سازه بررسی کنند و سپس مدل‌های پیش‌بینی مبتنی بر مکانیزم و روش‌های طراحی را از نظر ظرفیت بار و سختی توسعه دهند [30]، [31]، 32]، [33]، [34]. یک موضوع را نمی توان نادیده گرفت که اساس کار با هم سازه های SRC، رفتار پیوند فولاد-بتن پروفیلی است. تنش پیوند بین فولاد پروفیل شده و بتن می تواند به اجزای ساختاری SRC و اتصالات برای ارائه نیروهای داخلی کمک کند. و در نتیجه، سازه های کلی می توانند از نظر الزامات طراحی مبتنی بر کد در شرایط ایمنی قرار داشته باشند [35]، [36].

دستاوردهای تحقیقاتی قابل توجهی در رفتار لغزش پیوند فولاد – بتن پروفیلی به دست آمده است. برایسون و همکاران [37] از آزمون فرورفتگی برای مطالعه تأثیر وضعیت سطح فولاد و عرض فلنج فولادی بر استحکام باند استفاده کرد و نتایج بررسی نشان داد که پس از سندبلاست سطح فولاد، میانگین تنش باند بین فولاد پروفیل شده و بتن حدود 30 درصد است. بالاتر از موارد درمان نشده رودر [38] یک مطالعه تست فشار بر روی چهل نمونه خرد SRC انجام داد که عمدتاً تأثیر عرضی نسبت رکاب بر حسب حجم، فرم رکاب و طول لنگر فولادی پروفیل بر روی استحکام باند را در نظر گرفت و نشان داد که به عنوان نسبت رکاب به حجم افزایش می یابد، تنش باند پس از لغزش نیز افزایش می یابد. شیائو و همکاران [39] یک بررسی تجربی بر روی 9 نمونه SRC با آزمایش فشار بیرون انجام داد. و سپس عوامل موثر بر استحکام باند فولاد – بتن پروفیل را تجزیه و تحلیل کرد. نتایج آزمایش نشان داد که با افزایش درجه مقاومت بتن، میانگین مقاومت باند نیز افزایش می‌یابد. با این حال، با افزایش طول تعبیه فولاد مقطع، میانگین استحکام باند کاهش می یابد. یانگ و همکاران [40] رابطه بین نیروی منسجم و لغزش را از طریق تعداد زیادی از مطالعات تجربی و تحلیل نظری به دست آورد. توسعه مدل استحکام باند می تواند به طراحی و دسترسی به طول لنگر فولاد پروفیلی تعبیه شده در بتن در مناطق پایه ستون و اتصال اتصال تیر به ستون کمک کند. مجدی و همکاران [41] مقاومت فشاری بتن را به عنوان عامل اصلی مؤثر بر استحکام باند شناسایی کرد. رودر و همکاران [42] معادله پیشنهادی خود رودر [38] را اصلاح کرد و معادله جدیدی را برای پیش‌بینی استحکام باند با در نظر گرفتن تأثیر طول پیوند، ارتفاع مقطع فولادی و نسبت مقطع فولاد ایجاد کرد. ساتو و همکاران [43] یک سری فرمول را به عنوان تابعی از نسبت عرض مقطع پوشش بتن به فولاد با در نظر گرفتن اثر مقاومت فشاری بتن پیشنهاد کرد. یانگ و همکاران [44] فرمولی را برای محاسبه استحکام پیوند به عنوان تابعی از نسبت ارتفاع مقطع پوشش بتن به فولاد و طول مقطع به فولاد و مقاومت کششی بتن پیشنهاد کرد. علاوه بر این، تأثیر نسبت رکاب بر حسب حجم به معادله پیشنهادی لیو و همکاران اضافه شد. [45]. مدل های فوق از طریق رگرسیون با استفاده از نتایج تجربی از آزمون انجام شده توسط خود محققین به دست آمدند. که ممکن است در هنگام مدیریت حجم قابل توجهی از داده های تجربی منجر به نتایج پیش بینی مغرضانه شود. برای این منظور، توسعه مدل‌های پیش‌بینی دقیق برای ارزیابی تنش پیوند فولاد-بتن پروفیلی می‌تواند موانع فنی را در طراحی مناطق لنگر فولاد پروفیلی در سازه‌های SRC حذف کند. استفاده از الگوریتم‌های یادگیری ماشین برای انجام استخراج عمیق و تجزیه و تحلیل داده‌های تجربی موجود ممکن است راه‌حلی کارآمد برای ایجاد یک رابطه رضایت‌بخش بین استرس پیوند و متغیرهای تأثیرگذار باشد.

تحقیقات متعدد در مهندسی عمران گزارش کرده‌اند که تکنیک‌های یادگیری ماشینی می‌توانند با موفقیت عملکرد هدف را به عنوان تابعی از متغیرهای چند متغیره با پیش‌بینی با دقت بالا مدل‌سازی کنند. فنگ و همکاران [46] از چهار الگوریتم یادگیری ماشین معمولی (به عنوان مثال، جنگل تصادفی، تقویت تطبیقی، درخت رگرسیون تقویت کننده گرادیان، و تقویت گرادیان شدید) برای پیش‌بینی مقاومت برشی تیرهای عمیق بتن مسلح با استحکام قوی استفاده کرد. وانگ و همکاران [47] روشی را توسعه داد که در آن یک شبکه عصبی مصنوعی با الگوریتم ژنتیک و بهینه‌سازی ازدحام ذرات برای پیش‌بینی استحکام پیوند سازه‌های فولادی با روکش بتنی بهینه‌سازی شد. ژو و همکاران [48] ​​از شبکه عصبی مصنوعی پس انتشار (BPANN) برای پیش‌بینی استحکام برشی تک دور بر روی پیوندهای سطحی پلیمر تقویت‌شده با الیاف (FRP) – بتن استفاده کرد. نتایج نشان داد که مدل مبتنی بر BPANN در مقایسه با معادلات تجربی و مدل‌های مکانیک محور دقت پیش‌بینی بهتری دارد. خو و همکاران [49] از رگرسیون غیرخطی چندگانه (MNR) و شبکه عصبی مصنوعی (ANN) برای پیش‌بینی خواص مکانیکی (به عنوان مثال، مقاومت فشاری، مدول الاستیک، مقاومت خمشی و مقاومت کششی شکاف) سنگدانه‌های بتن بازیافتی (RAC) استفاده کرد. یافته‌های مطالعه نشان داد که رویکرد پیشنهادی، مبتنی بر یادگیری ماشین، دقت بهبود یافته‌ای را در پیش‌بینی خواص مکانیکی RAC در مقایسه با مدل‌های موجود نشان می‌دهد. چن و همکاران [50] از BPANN، برنامه‌ریزی ژنتیکی چند ژنی (MGGP) و ماشین بردار پشتیبان (SVM) برای پیش‌بینی کرنش محوری نهایی استوانه‌های بتنی محدود شده با FRP استفاده کرد.

تحقیقات بسیار محدودی در مورد تنش پیوند فولاد-بتن پروفیلی انجام شده است که طیف وسیعی از متغیرهای تأثیرگذار را تحت پشتیبانی الگوریتم‌های یادگیری ماشینی مرتبط می‌کند. برای پر کردن این شکاف تحقیقاتی، این مطالعه یک چارچوب مبتنی بر داده‌های مبتنی بر یادگیری ماشین را برای تخمین تنش پیوند در لغزش اولیه، تنش باند نهایی و تنش باند باقی‌مانده فولاد و بتن پروفیلی در سازه‌های مرکب SRC ارائه می‌کند. برای انجام توسعه مدل، یک پایگاه داده گسترده و قابل اعتماد ساخته شد که شامل تنش‌های پیوند هدف 156 مورد تنش پیوند در لغزش اولیه، 249 مورد تنش باند نهایی و 213 مورد تنش باند باقی‌مانده، و ده متغیر آزمایشی (یعنی هندسه‌ها، رکاب) بود. و مشخصات فولاد پروفیل، و خواص بتن). مدل‌های تجربی موجود جمع‌آوری شدند و عملکرد آنها در ارتباط با پایگاه داده تجربی گردآوری‌شده مورد ارزیابی قرار گرفت. چهار الگوریتم یادگیری ماشین مجموعه شامل RF، AdaBoost، GBRT و XGBoost برای پیش‌بینی تنش پیوند استفاده شد. بهینه سازی بیزی برای بهبود عملکرد مدل در هنگام اجرای رویکردهای یادگیری ماشین گروهی به کار گرفته شد.