خلاصه
تقاضای بی وقفه برای تحقیقات زیرساخت های حفاظتی ناشی از رویدادهای انفجار تصادفی و عمدی اخیر است. این امر منجر به افزایش قابل توجه رویکردهای طراحی انفجار و روش های مدرن تحلیل سازه شده است. هنگام در نظر گرفتن تجزیه و تحلیل و پاسخ اعضای بارگذاری شده با انفجار، مانند شناسایی الگوهای ترک و حالت های شکست (CP & FM) تیرهای بتن مسلح (RC)، ادبیات فعلی به شدت به مدل سازی عددی پیچیده بستگی دارد. اخیراً، اتخاذ مدلسازی یادگیری ماشین (ML) برای پیشبینی آسان برچسبهای وضعیت آسیب تیرهای RC بارگذاریشده با انفجار به عنوان رقیبی برای روشهای عددی ظاهر شده است. در هر یک از روشهای مدلسازی، خروجیهای حالتهای آسیب اغلب بهعنوان برچسبهای قطعی بدون توضیح در مورد امکان وضعیت آسیب جایگزین بیش از حد سادهسازی میشوند. برای گسترش استفاده عملی از مدلسازی قطعی، مطالعه حاضر یک چارچوب احتمالی را معرفی میکند که مدلهای ML را برای تعیین احتمال کلاسهای مختلف CP و FM از طریق شبیهسازی مونت کارلو ادغام میکند. این چارچوب برای عدم قطعیت پارامترهای مختلف تیر و انفجار محاسبه میشود و چهار حالت آسیب ترک خوردگی خمشی، شکست خمشی، ترک برشی خمشی و شکست خرد شدن را شامل میشود. چارچوب توسعهیافته در برابر چهل و دو پرتوهای RC بارگذاریشده با انفجار در دسترس از چندین مطالعه تجربی قبلی مورد ارزیابی قرار گرفت و عملکرد پیشبینیکننده بسیار خوبی از خود نشان داد در حالی که بینش قابلتوجهی درباره وقوع هر چهار حالت آسیب ارائه کرد. علاوه بر این، منحنیهای قابلیت اطمینان انفجار (BRC) گسترده برای هجده مورد پرتو RC در طیف گستردهای از شدتهای انفجار توسعه داده شد و اثرات پارامترهای پرتو و انفجار بر وضعیتهای آسیب کیفی مورد ارزیابی قرار گرفت. قابل توجه ترین مشاهدات این بود که حساسیت هر دو مقاومت بتن و فولاد بر روی احتمال آسیب با نسبت آرماتور افزایش می یابد. BRC ها یک انتقال دقیق از حالت های آسیب با شدت انفجار متفاوت را به تصویر می کشند. همچنین، محدودیتها، منابع خطا، و بهبودهای بیشتر مرتبط با روش پیشنهادی به وضوح تعریف شدند. به طور کلی،
معرفی
توانایی انجام تحلیل های پیشگیرانه بر روی رفتارهای کیفی عناصر بتن مسلح (RC) برای درک عملکرد مطلوب سازه های محافظ ضروری است. رفتارهای شکست عضو سراسری شامل شکست برشی مستقیم، شکست خمشی، شکست خمشی-برشی و شکست له شدن ناحیه فشاری است، در حالی که رفتارهای آسیب محلی اعضای شامل پوسته پوسته شدن، پوسته شدن، سوراخ شدن و شکستگی است. همچنین، رفتارهای اعضای جهانی کمتر مضر شامل ترک خوردگی خمشی و ترک برشی خمشی است. پاسخ کمی حاصل از یک عضو RC به شدت به خواص مکانیکی بتن و فولاد تقویت کننده، خواص هندسی یک عضو، جزئیات آرماتور، میزان بار انفجاری و نزدیکی بار به سطح یک عضو وابسته است [1]. جدای از اجرای روش های تجربی، پیشبینیهای تماممقیاس چنین پاسخهای کیفی برای اعضای RC بارگذاریشده با انفجار را میتوان از طریق روشهای عددی پیچیده که نیازمند تلاشهای مدلسازی قابلتوجه، پسزمینه کاربردی قوی، و تقاضای محاسباتی قابلتوجهی است، به دست آورد [2]، [3]. روش دیگر، مدلهای پیشرفته معادل تک درجه آزادی (SDOF) میتوانند رفتارهای شکست خمشی، غشای کششی، برش مستقیم و شکست خمشی-برشی را بر اساس توابع مقاومت متناظر هر حالت شکست بهعنوان «بررسی» شناسایی کنند [4]، [5]. ]. با این حال، این مدل های SDOF به طور مشابه در توسعه خود پیچیده هستند و نیاز به اعتبار سنجی اضافی دارند. اخیراً، یک چارچوب جدید برای شناسایی پاسخهای کمی انتخابی تیرهای RC تحت بارگذاری انفجاری توسط Almustafa & Nehdi [6] ایجاد شده است. این یک رویکرد یادگیری ماشینی مبتنی بر داده (ML) را برای طبقهبندی پاسخهای تشکیل ترک خمشی، شکست خمشی، تشکیل ترک برشی خمشی و شکست خرد شدن اجرا کرد. مدل طبقهبندی الگوی ترک و حالت شکست (CP&FM) بر اساس دادههای تجربی از ادبیات است و عملکرد معقولی را در حالی که چندین نوع تیرهای RC و سناریوهای انفجار را در نظر میگیرد، نشان میدهد. مطالعه مشابه اخیر توسط ژوو همکاران[7] یک مدل طبقهبندی مبتنی بر یادگیری عمیق برای ستونهای RC که در معرض بارگذاری انفجاری قرار میگیرند، برای پیشبینی رفتار حالت شکست ایجاد کرد. این مدل از طریق تعداد قابل توجهی شبیهسازی عددی و دادههای موجود در حالی که کلاسهای شکست خمشی، شکست برشی و شکست برشی خمشی را در نظر میگیرد، توسعه داده شد. مزیت اصلی پیادهسازی ML در کاربردهای مهندسی انفجار سازه، توانایی آن در حذف پیچیدگی مدلسازی و نیاز محاسباتی و در عین حال عملکرد پیشبینی برتر است. مدلسازی ML همچنین قادر است به طور ضمنی تأثیر تغییرات در ویژگیهای مختلف را محاسبه کند. برای مثال، زمانی که ویژگیهای انفجار فشار و ضربه بازتابشده در یک مجموعه داده باشد، برچسبگذاری صریح محدودههای بارگذاری انفجار میدان دور یا میدان نزدیک غیرضروری میشود. به همین ترتیب، یک ویژگی مقاومت فشاری ممکن است شامل مقادیر بتن معمولی، بالا و بسیار بالا باشد که مدل ML به طور ضمنی روابط پیچیده بین محدوده ویژگیها و پارامتر خروجی مورد نظر را شناسایی میکند. بحث های جامعی در مورد میزان ملاحظات مدل سازی ضمنی اعضای RC بارگذاری شده با انفجار در ادبیات ارائه شده است [6]، [8]، [9]. یکی دیگر از جنبه های پذیرش ML که استفاده از آن را در مهندسی انفجار سازه تشویق می کند، توانایی آن برای غلبه بر مجموعه داده های اندازه محدود است. این یک اتفاق رایج در این زمینه است که ناشی از دشواری، هزینه و ایمنی مرتبط با جمعآوری دادههای انفجار در مقیاس بزرگ است. چندین مطالعه اخیر و مرتبط نیز به این نقص پرداخته اند و مدل های پیش بینی قوی و تعمیم یافته را در محدوده ویژگی مجموعه داده مربوطه خود تولید کرده اند [6، [8]، [9]، [46].
یک ویژگی همپوشانی مدلهای عددی، SDOF و ML برای پاسخهای اعضای کیفی این است که آنها تنها خروجیهایی را بر اساس ورودیهای قطعی ارائه میکنند که عدم قطعیت موجود در برنامه را در نظر نمیگیرند. علاوه بر این، خروجی یک حالت آسیب قطعی سادهسازی حالت واقعی تیر است و بنابراین، ممکن است اطلاعات مختصری در مورد میزان وضعیت آسیب خروجی یا میزان حالتهای آسیب جایگزین ارائه دهد. برای گسترش تفسیر رفتارهای کیفی، روشهای مدلسازی احتمالی دقیق باید با مدلهای پیشبینی پاسخ قطعی ادغام شوند، به طوری که عدم قطعیتهای متغیر و میزان هر پاسخ پیشبینیشده را بتوان در نظر گرفت. همچنین، برای یک پاسخ قطعی پیش بینی شده، مانند شکست خمشی،احتمال وقوع یک حالت آسیبی مانند شکست خمشی چقدر است؟ ” و ” احتمال وقوع برای حالت های آسیب جایگزین مانند شکست برشی یا شکست خرد شدن چقدر است؟“. مطالعات اخیر مدلسازی آماری پاسخهای ساختاری را برای اعضای RC بارگذاریشده با انفجار برای رسیدگی به چنین عدم قطعیتهای کاربردی اتخاذ کردهاند. Shi & Stewart [10] تجزیه و تحلیل قابلیت اطمینان را بر روی شاخص های آسیب ستون RC با در نظر گرفتن تنوع موج انفجار و تغییرات مکانی خواص مواد و ابعاد انجام دادند. شاخص های آسیب ستون بر اساس ظرفیت محوری باقیمانده پس از انفجار با توجه به ظرفیت طراحی آن بود که در آن خروجی ها از طریق نرم افزار عددی، به عنوان مثال، LS-DYNA، همراه با شبیه سازی مونت کارلو (MCS) محاسبه شدند. گزارش شده است که تغییرپذیری ظرفیت باربری ستون به طور قابلتوجهی تحت مقادیر کمتر بارگذاری انفجار کاهش مییابد در حالی که تنوع بیشتری در ظرفیت هنگام محاسبه تغییرات پارامترهای فضایی مشاهده میشود. Shi & Stewart [11] همچنین یک تجزیه و تحلیل قابلیت اطمینان مشابه را به پانل های دیواری RC با پشتیبانی ساده تحت بارگذاری انفجاری گسترش دادند. پاسخهای عضو مورد بررسی به سه درجه حالت آسیب کیفی بر اساس مقادیر چرخشهای پشتیبانی پانل (یا انحرافات میان دهانه) محدود میشدند. همچنین گزارش شد که تغییر فضایی مقاومت فشاری بتن و پوشش بتن کمترین تغییر را در بین حالتهای آسیب ایجاد میکند. در هر دو مطالعه، منحنیهای قابلیت اطمینان انفجار (BRCs) به وضوح بر احتمال دستیابی به یک حالت آسیب اختصاصی برای مقادیر مختلف بارگذاری انفجار تأکید کردند در حالی که عدم قطعیتهای پارامتر انفجار و عضو را در نظر گرفتند. در مطالعه دیگری، کیشور پاسخهای عضو مورد بررسی به سه درجه حالت آسیب کیفی بر اساس مقادیر چرخشهای پشتیبانی پانل (یا انحرافات میان دهانه) محدود میشدند. همچنین گزارش شد که تغییر فضایی مقاومت فشاری بتن و پوشش بتن کمترین تغییر را در بین حالتهای آسیب ایجاد میکند. در هر دو مطالعه، منحنیهای قابلیت اطمینان انفجار (BRCs) به وضوح بر احتمال دستیابی به یک حالت آسیب اختصاصی برای مقادیر مختلف بارگذاری انفجار تأکید کردند در حالی که عدم قطعیتهای پارامتر انفجار و عضو را در نظر گرفتند. در مطالعه دیگری، کیشور پاسخهای عضو مورد بررسی به سه درجه حالت آسیب کیفی بر اساس مقادیر چرخشهای پشتیبانی پانل (یا انحرافات میان دهانه) محدود میشدند. همچنین گزارش شد که تغییر فضایی مقاومت فشاری بتن و پوشش بتن کمترین تغییر را در بین حالتهای آسیب ایجاد میکند. در هر دو مطالعه، منحنیهای قابلیت اطمینان انفجار (BRCs) به وضوح بر احتمال دستیابی به یک حالت آسیب اختصاصی برای مقادیر مختلف بارگذاری انفجار تأکید کردند در حالی که عدم قطعیتهای پارامتر انفجار و عضو را در نظر گرفتند. در مطالعه دیگری، کیشور منحنیهای قابلیت اطمینان انفجار (BRC) به وضوح بر احتمال دستیابی به یک حالت آسیب اختصاصی برای مقادیر مختلف بارگذاری انفجار تأکید میکنند در حالی که عدم قطعیتهای پارامتر انفجار و عضو را در نظر میگیرند. در مطالعه دیگری، کیشور منحنیهای قابلیت اطمینان انفجار (BRC) به وضوح بر احتمال دستیابی به یک حالت آسیب اختصاصی برای مقادیر مختلف بارگذاری انفجار تأکید میکنند در حالی که عدم قطعیتهای پارامتر انفجار و عضو را در نظر میگیرند. در مطالعه دیگری، کیشورو همکاران[12] مدلهای ظرفیت انحراف احتمالی را برای تیرها و ستونهای RC تحت بارگذاری انفجاری توسعه دادند که در آن سه حالت حدی مبتنی بر انحراف برای شناسایی سطح آسیب ایجاد شده تعریف شدند. دادههای محدود مورد استفاده برای توسعه مدلها از مدلسازی عددی معتبر از طریق LS-DYNA به دست آمد که پس از آن راهحلهای بسته برای پیشبینی انحراف تیر/ستون در حالتهای آسیب مختلف با ترکیب چند عبارت اصلاحی مرتبط تولید شد. بویان و شارما [13] با استفاده از یک رویکرد یکسان برای مدلسازی احتمالی، مدلهای انحراف شکل بسته را برای دالها و دیوارهای RC با بارگذاری انفجاری به دنبال حالتهای حدی مبتنی بر انحراف ایجاد کردند. ادبیات نشان میدهد که مدلسازی احتمالی کاربردهای مهندسی انفجار سازه در درجه اول وضعیتهای کمی آسیب تعریف شده از پاسخهای کیفی اندازهگیری شده (انحراف میان دهانه، چرخش پشتیبانی، ظرفیت محوری باقیمانده) را ارزیابی میکند. با این حال، پیشبینی یا شناسایی حالتهای آسیب پس از انفجار که به انواع ترک یا حالتهای شکست برای اعضای RC میپردازند، بهطور قابل توجهی محدود است. علاوه بر این، کاستیها در ادبیات به فقدان مدلسازی احتمالی یا قابلیت اطمینان اختصاص داده شده به چنین حالتهای آسیبی که به سؤالات مطرح شده قبلی مربوط میشود، گسترش مییابد. در نتیجه، بررسیهای بیشتر برای بهبود قابلیت پیشبینی وضعیتهای آسیب کیفی اعضای RC تحت بارگذاری انفجار مورد نیاز است. پیشبینی یا شناسایی حالتهای آسیب پس از انفجار که به انواع ترک یا حالتهای شکست برای اعضای RC میپردازد، به طور قابلتوجهی محدود است. علاوه بر این، کاستیها در ادبیات به فقدان مدلسازی احتمالی یا قابلیت اطمینان اختصاص داده شده به چنین حالتهای آسیبی که به سؤالات مطرح شده قبلی مربوط میشود، گسترش مییابد. در نتیجه، بررسیهای بیشتر برای بهبود قابلیت پیشبینی وضعیتهای آسیب کیفی اعضای RC تحت بارگذاری انفجار مورد نیاز است. پیشبینی یا شناسایی حالتهای آسیب پس از انفجار که به انواع ترک یا حالتهای شکست برای اعضای RC میپردازد، به طور قابلتوجهی محدود است. علاوه بر این، کاستیها در ادبیات به فقدان مدلسازی احتمالی یا قابلیت اطمینان اختصاص داده شده به چنین حالتهای آسیبی که به سؤالات مطرح شده قبلی مربوط میشود، گسترش مییابد. در نتیجه، بررسیهای بیشتر برای بهبود قابلیت پیشبینی وضعیتهای آسیب کیفی اعضای RC تحت بارگذاری انفجار مورد نیاز است.
هدف مطالعه حاضر پرداختن به محدودیتهای پیشبینی کیفی در تیرهای RC بارگذاریشده با انفجار در دو حوزه اصلی است. در ابتدا، یک مدل بهبود یافته CP & FM ML برای تیرهای RC بارگذاری شده با انفجار بر اساس داده های تجربی توسعه یافته و با مدل معرفی شده قبلی در [6] مقایسه می شود. حالت های آسیب کیفی به طور مشابه به عنوان ترک خمشی (FC)، شکست خمشی (BF)، ترک برشی خمشی (FSC) و شکست خرد شدن (CF) در نظر گرفته می شوند. در مرحله دوم، یک چارچوب مدلسازی احتمالی پیشنهاد شده است که مدل CP و FM به روز شده را با MCS ادغام میکند و در عین حال عدم قطعیتها و متغیرها را در پارامترهای کاربردی و پاسخهای پیشبینیشده در نظر میگیرد. عملکرد پیشبینی چارچوب پیشنهادی در برابر مجموعهای از مطالعات تجربی ارزیابی میشود که در آن احتمالات هر حالت آسیب برای یک مورد انفجار پرتو نشان داده شده است. علاوه بر این، BRC ها برای تجسم انتقال حالت های آسیب با در نظر گرفتن پرتوهای RC از پیش تعریف شده و ارزیابی احتمال تغییر هر حالت آسیب برای بزرگی های مختلف انفجار ایجاد شده اند. BRC های جامع با در نظر گرفتن مجموعه ای از انواع پرتوهای RC و سناریوهای انفجار بیشتر برای تجزیه و تحلیل کامل تأثیر پارامترهای کاربردی بر وضعیت آسیب کیفی آن مورد استفاده قرار می گیرند. در نهایت، توضیحاتی در مورد محدودیت ها و بهبودهای مدل های پیشنهادی به وضوح ارائه شده است. اهداف کلی ارائه شده در طول این مطالعه، یک پایه قوی از مدلسازی احتمالی را برای اعضای RC و CP و FMهای آنها ارائه میکند.
قطعات بخش
مدل طبقه بندی CP و FM پرتو RC بهبود یافته
CP & FM برای تیرهای RC تحت بارگذاری انفجار که در [6] معرفی شد با در نظر گرفتن ترکیب گسترده ای از پارامترهای تیر و انفجار که به طور کامل از 108 اندازه گیری تجربی حاصل می شود، توسعه یافت. این پارامترها شامل تیرهای بتن با مقاومت معمولی (NSC)، بتن پرمقاومت (HSC) و بتن فوقالعاده قوی (UHSC) دارای آرماتور با مقاومت معمولی (NSR) یا آرماتور با مقاومت بالا (HSR) بود، در حالی که هر دو را در نظر گرفت. موارد بارگذاری انفجار میدان نزدیک و میدان دور. با استفاده از تصادفی
روششناسی مدلسازی قابلیت اطمینان
با تکمیل مدل CP & FM قطعی بهبود یافته، بخش حاضر روش اتخاذ شده برای انجام تحلیل احتمالی رفتارهای کیفی در تیرهای RC تحت بارگذاری انفجار را معرفی میکند. این شامل توصیف ها و توزیع های متغیرهای تصادفی به همراه یک چارچوب گام به گام برای ادغام مدل های قطعی ML در تکرارهای MCS است.
ارزیابی چارچوب قابلیت اطمینان
عملکرد چارچوب احتمالی پیشنهادی از عملکرد مدلهای قطعی و از دقت توزیع متغیرهای تصادفی گسترش مییابد. علاوه بر این، می توان آن را از طریق اجرای آن در مطالعات موردی تجربی بر روی تیرهای RC بارگذاری شده با انفجار از ادبیات ارزیابی کرد. با استفاده از چارچوب احتمالی پیشنهادی، در مجموع 42 مطالعه موردی با در نظر گرفتن 30 مورد بارگذاری انفجار میدان دور و 12 مورد در میدان نزدیک مورد ارزیابی قرار گرفت. مجموعه ای از انواع مختلف
مدلسازی منحنی قابلیت اطمینان انفجار
برای گسترش بخش قبلی، BRCها با در نظر گرفتن مجموعه ای از تیرهای RC منحصر به فرد که در معرض طیف گسترده ای از شدت انفجار قرار دارند، توسعه داده شده اند. بیشتر مجموعه داده شامل مواردی است که دارای تغییرات قابل توجهی از پارامترهای پرتو RC با بارگذاری میدان دور و محدوده نسبتاً محدودتری از پارامترهای پرتو RC تحت بارگذاری میدان نزدیک است. علاوه بر این، نزدیک به دو برابر تعداد موارد میدانی دور نسبت به موارد میدانی نزدیک وجود داشت. بر این اساس، انتخاب سناریوهای انفجار پرتو برای
بهبود مدل و اجرای آینده
مجموعههای مختلف BRC نشانهای در مورد اختلافات پیشبینیکننده ارائه میکنند که میتواند به سمت بهبود عملکرد مدل مورد توجه قرار گیرد. اولین نوع خطای مشاهده شده به دلیل کلاس های آسیب کیفی محدودی است که مدل می تواند بیان کند که منجر به ایجاد یک کلاس واحد به طور ضمنی به عنوان دو کلاس جداگانه می شود. این در کلاس FSC که در شکل 8 رفتار دو قله ای را در بین BRC ها نشان می دهد برجسته ترین بود. این نوع خطا با تعریف صحیح کلاس های خروجی در داخل مرتبط است.
نتیجه گیری
مطالعه حاضر یک مدل طبقهبندی بهبودیافته ML را برای پیشبینی سریع حالتهای آسیب ترکخوردگی خمشی، شکست خمشی، ترک برشی خمشی، و شکست ترکخوردگی برای تیرهای RC تحت بارگذاری انفجار بر اساس مجموعه دادههای 108 مورد تجربی ایجاد کرد. توسعه مدل یک الگوریتم تقویت تطبیقی را همراه با BSMOTE برای کاهش عدم تعادل کلاس در مجموعه داده پیادهسازی کرد. مقایسه با یک مدل مشابه بر اساس دقت، دقت و یادآوری انجام شد که در آن جریان
دیدگاه خود را بنویسید