989014050788+

989014050788+

خانهتوسعهپیش‌بینی مقاومت برشی تیرهای ورق فولادی مخروطی

پیش‌بینی مقاومت برشی تیرهای ورق فولادی مخروطی

خلاصه

تیرهای ورق فولادی مخروطی به طور گسترده ای در ساخت پل ها و سازه های صنایع سنگین استفاده می شود. با این حال، پیش‌بینی رفتار سازه‌ای آن‌ها، به‌ویژه در برش، به دلیل مقاطع غیر منشوری و عوامل تأثیرگذار نامشخص، چالش برانگیز است. بنابراین، تکنیک‌های تحلیلی ساده و رگرسیون کلاسیک ممکن است نتوانند روابط غیرخطی اساسی را که رفتار برشی تیرهای صفحه مخروطی را کنترل می‌کنند، به تصویر بکشند. در این مطالعه، برنامه‌ریزی ژنتیکی چند ژنی (MGGP) برای کشف چنین روابط پیچیده و متعاقباً توسعه عبارات پیش‌بینی‌کننده قوی برای استحکام برشی تیرهای ورق فولادی مخروطی مورد استفاده قرار گرفت. با توجه به فقدان یک مجموعه داده تجربی بزرگ، یک مدل اجزای محدود غیرخطی (FEM) برای اولین بار توسعه داده شد و در برابر نتایج تجربی موجود در ادبیات اعتبارسنجی شد.FEMمتعاقباً برای تولید ماتریسی از 211 نتیجه عددی برای تقویت 200 نتیجه FEM دیگر که از مطالعات قبلی گردآوری شده بودند، برای پوشش طیف وسیع‌تری از پارامترهای طراحی استفاده شد. سپس کل مجموعه داده در آموزش و آزمایش عبارات پیش بینی MGGP استفاده شد. دقت پیش‌بینی عبارات توسعه‌یافته در برابر سایر عبارات موجود ارزیابی شد. نتایج نشان داد که رویکرد MGGP اتخاذ شده، با هدایت درک مکانیک، عبارات پیش‌بینی‌کننده ظریفی را با سطح بالایی از دقت و تعمیم‌پذیری در مقایسه با سایر موارد موجود که در اینجا بررسی شده‌اند، تولید می‌کند. به این ترتیب، عبارات توسعه‌یافته یک ابزار پیش‌بینی کارآمد ارائه می‌کنند که می‌تواند توسط استانداردهای طراحی برای تخمین مقاومت برشی نهایی تیرهای فولادی مخروطی اتخاذ شود. سرانجام،

معرفی

تیرهای صفحه ای معمولاً در پل ها و سازه های بزرگ برای برآورده ساختن الزامات طراحی مرتبط با بارهای سنگین و/یا دهانه های طولانی استفاده می شوند. این به این دلیل است که بر خلاف مقاطع پرتو نورد گرم معمولی، تیرهای صفحه را می توان با ابعاد مختلف سفارشی کرد تا نیازهای مقاومت بالا را برآورده کند [1]، [2]. تیرهای صفحه همچنین می توانند با عمق صفحه وب متفاوت (یعنی شبکه مخروطی) بر اساس تقاضا ساخته شوند که امکان طراحی اقتصادی بیشتری را فراهم می کند [1]. علیرغم مزایایی که دارند، صفحات وب تیرهای صفحه معمولاً کاملاً باریک هستند و متعاقباً در معرض ناپایداری های محلی از جمله کمانش برشی هستند. پس از رسیدن به بار برشی بحرانی تیر، صفحه وب چروک‌های خارج از صفحه را تجربه می‌کند.تغییر شکل های عمود بر جهت تنش های فشاری اصلی [3]، [4]. فراتر از شروع کمانش، تنش های غشایی کششی به صورت مورب در امتداد صفحه تار کمانش ایجاد می شود (به اصطلاح عمل میدان کششی)، و متعاقباً صفحه وب اساساً مانند یک عضو کششی مورب در یک پانل خرپایی که توسط فلنج ها و سفت کننده ها محدود شده است رفتار می کند. 3]، [4]. این مکانیسم در نهایت تیر را قادر می‌سازد تا بار برشی بالاتری را تحمل کند که مقاومت برشی پس کمانش نامیده می‌شود. این پدیده اولین بار توسط ویلسون در سال 1886 کشف شد [5] و نظریه میدان کشش بعداً توسط واگنر در سال 1931 ارائه شد [6]. باسلر و همکارانش [7]، [8] با تکیه بر این کار، مطالعات گسترده‌ای را در مورد رفتار برشی پس کمانشی پانل شبکه ای تیر صفحه منشوری انجام دادند. در تحلیل آنها، فرض بر این بود که میدان کشش مورب در مرزهای عمودی صفحات وب در نزدیکی سخت‌کننده‌های عرضی لنگر انداخته است. مدل باسلر بعداً توسط برخی استانداردها و دستورالعمل‌های طراحی (به عنوان مثال، SIA 2013 [9]، AISC 2016 [10]، AASHTO 2017 [11]) برای تیرهای منشوری پذیرفته شد. در مقابل، مجموعه ای از مطالعات تجربی [12، [13]، [14]، [15]، [16] تأثیر قابل توجهی را برای فلنج ها بر رفتار پس کمانش تیر صفحه منشوری در برش نشان داد، که نشان می دهد که فلنج ها و سفت کننده های عرضی با هم میدان کشش را مهار می کنند. این مفهوم توسط مشخصات طراحی فعلی اروپا (CEN 2017 [17]) پذیرفته شد. AASHTO 2017 [11]) برای تیرهای منشوری. در مقابل، مجموعه ای از مطالعات تجربی [12، [13]، [14]، [15]، [16] تأثیر قابل توجهی را برای فلنج ها بر رفتار پس کمانش تیر صفحه منشوری در برش نشان داد، که نشان می دهد که فلنج ها و سفت کننده های عرضی با هم میدان کشش را مهار می کنند. این مفهوم توسط مشخصات طراحی فعلی اروپا (CEN 2017 [17]) پذیرفته شد. AASHTO 2017 [11]) برای تیرهای منشوری. در مقابل، مجموعه ای از مطالعات تجربی [12، [13]، [14]، [15]، [16] تأثیر قابل توجهی را برای فلنج ها بر رفتار پس کمانش تیر صفحه منشوری در برش نشان داد، که نشان می دهد که فلنج ها و سفت کننده های عرضی با هم میدان کشش را مهار می کنند. این مفهوم توسط مشخصات طراحی فعلی اروپا (CEN 2017 [17]) پذیرفته شد.

بعدها، مفاهیم مختلفی از جمله نظریه میدان تنش و اصلاحات آن توسط چندین مطالعه استفاده شد [2]، [18]، [19]، [20]، [21]، [22]، [23]، [24]، با هدف بررسی رفتار برشی تیر صفحه مخروطی. این مطالعات نشان داد که تیرهای صفحه مخروطی با تیرهای منشوری تفاوت دارند، به این صورت که، ( i ) میدان کشش مورب در هر دو جهت بلند یا کوتاه پانل وب بر اساس جهت بارگذاری و هندسه پانل رخ می‌دهد، و ( ii ) نیروی محوری در فلنج شیبدار می تواند استحکام برشی نهایی پانل تحت تیر تیر صفحه را افزایش یا کاهش دهد (یعنی به اصطلاح اثر Resal) [23]، [24]، [25]. شرایط مرزی صفحه وب نیز یک پارامتر کلیدی در رفتار برشی تیر صفحه مخروطی است که توسط زارات و میرامبل [24] ارائه شده است که تجزیه و تحلیل خود را بر روی یک نوع شناسی پانل وب مخروطی انجام دادند که امکان ایجاد یک میدان کششی مورب در پانل را فراهم می کند. جهت کوتاه در حالی که فلنج شیب دار تحت کشش بود. Zárate و Mirambell [24] در مطالعه خود شیب فلنج و سهم فلنج ها را در مهار صفحه وب (یعنی شرایط مرزی) در نظر گرفتند. کار گسترده تری توسط Bedynek [25] انجام شد که به صورت عددی مقاومت برشی نهایی تیر صفحه مخروطی ساخته شده با چهار نوع مختلف را بررسی کرد. این مطالعه شامل دو نوع شناسی بود: یکی با میدان کشش مورب در جهت بلند و دیگری در جهت کوتاه. این دو نوع شناسی به دو صورت مورد مطالعه قرار گرفتند: با فلنج شیبدار تحت فشار، و با فلنج شیبدار تحت کشش. مدل های پیش بینی توسعه یافته در این مطالعه [25] اثر Resal را در نظر گرفتنداما از اثرات شرایط مرزی (به عنوان مثال، پنل وب ساده فرض شده) غفلت کرد، که ممکن است بر دقت پیش‌بینی تأثیر منفی بگذارد [26، [27]، [28]. در مطالعه دیگری که توسط سرور و همکاران انجام شد. [2]، تجزیه و تحلیل رگرسیون با در نظر گرفتن پارامترهای مختلفی از جمله نسبت باریکی وب، نسبت باریکی فلنج، نسبت ضخامت فلنج به تار، نسبت ابعاد تار مخروطی و زاویه مخروطی انجام شد تا دقت پیش‌بینی مقاومت برشی بهبود یابد. با این حال، مدل های مبتنی بر رگرسیون ارائه شده در سرور و همکاران. [2]’ مطالعات بیش از حد طولانی، پیچیده است، و بنابراین نمی تواند به راحتی توسط مهندسین تمرین پذیرفته شود. با توجه به فقدان عبارات طراحی استاندارد شده برای محاسبه مقاومت برشی نهایی تیرهای صفحه مخروطی، مشخصات طراحی اروپایی [29] استفاده از قوانین طراحی خود را برای صفحات وب منشوری و همچنین برای پانل های غیر منشوری توصیه می کند.

با این وجود، پیچیدگی و غیرخطی بالا در تیر صفحه مخروطی باعث می‌شود که استفاده از روش‌های تحلیلی ساده و/یا رگرسیون کلاسیک قادر به ثبت دقیق اثرات موارد زیر نباشد: i) تغییر نسبت ابعاد ( a /d ) و نسبت باریکی وب ( d/t ) در طول پانل، 2 ) تغییر شرایط مرزی وب در طول پانل به دلیل تغییر مقطع وب بین سطوح مقطع فلنج ثابت، و iii ) اثر Resal. اگرچه بر روی تیرهای ورق فولادی مخروطی متمرکز نشده است، اما مطالعات اخیر تکنیک‌های هوش مصنوعی و یادگیری ماشین را به عنوان ابزار قدرتمندی برای تفسیر رفتارهای پیچیده در زمینه مهندسی سازه و شناسایی تاثیرگذارترین ویژگی‌های مربوطه ارائه کرده است [30]، [31]، [32]. [33]، [34]، [35]، [36]، [37]، [38]. برنامه‌ریزی ژنتیکی (GP) و نوع قوی‌تر آن، برنامه‌ریزی ژنتیکی چند ژنی (MGGP)، از جمله این تکنیک‌ها هستند که ابزارهای کارآمدی را برای کشف سیستم‌ها یا پدیده‌های پیچیده برای جستجوی یک راه‌حل تقریباً بهینه بدون فرض قبلی روابط پارامترهای مرتبط ارائه می‌کنند [34] . GP و MGGP در مطالعات مختلف قبلی برای پیش‌بینی رفتار دیوارهای برشی بلوک‌های بتنی مسلح تحت بارگذاری چرخه‌ای [35]، آسیب خوردگی فولاد در بتن مسلح [36] مورد استفاده قرار گرفتند.

در این مطالعه، یک MGGP هدایت‌شده مکانیکی برای توسعه عبارات هوشمند برای پیش‌بینی مقاومت برشی نهایی پانل وب مخروطی در تیر ورق فولادی استفاده شد. یک مجموعه داده جامع شامل 411 نتیجه عددی تایید شده تجربی برای توسعه، آموزش و آزمایش عبارات MGGP استفاده شد. عملکرد عبارات توسعه یافته با دیگر عبارات موجود از ادبیات مقایسه شد. تجزیه و تحلیل حساسیت و قابلیت اطمینان برای شناسایی مؤثرترین پارامترها و به دست آوردن عبارات پیش بینی که به طور منطقی محافظه کار هستند، انجام شد و آنها را برای پذیرش استانداردهای طراحی آماده کرد.

قطعات بخش

اهداف و روش شناسی

هدف اصلی مطالعه حاضر، بهره‌برداری از قابلیت‌های تکنیک MGGP برای مدل‌سازی روابط پیچیده و غیرخطی ورودی-خروجی است که مکانیسم برشی تیر صفحه مخروطی را کنترل می‌کند که به سختی از طریق رویکردهای رگرسیون تحلیلی و/یا کلاسیک مشابه آن‌ها کشف می‌شوند. در توسعه عبارات پیش بینی موجود استفاده می شود. با هدایت مکانیک و یافته‌های تحقیقات قبلی، روش MGGP، بر خلاف سایر تکنیک‌های یادگیری ماشینی که

پارامترهای تأثیرگذار

مقاومت برشی نهایی در این مطالعه به صورت مجموع دو عبارت بیان می‌شود: (الف) مقاومت برشی کمانشی الاستیک ( vb ) ، و (ب) مقاومت برشی پس از کمانش ( vp ).

متغیرهای ورودی و خروجی

MGGP در مطالعه کنونی برای جستجوی عبارات نزدیک به بهینه ، که به بهترین وجه استحکام برشی نهایی صفحات وب مخروطی را که ترکیبی از vb و vp است، پیش‌بینی می‌کند، استفاده شد . با استفاده از b نشان داده شده در معادلات. 1-2 و بر اساس پارامترهای احتمالی احتمالی که قبلا برای مقاومت پس از کمانش بحث شد ، پارامترهای ورودی ( xi ) و پارامتر خروجی (یعنی i  = من) که به جستجوی MGGP ارائه شد عبارتند از:

برای تیپولوژی 1: 1  = b f t f /d a t w . 2  = a/d a . 3  = d a /t wایکس4=جس+1=1=(تو1ب1)/(تی1سمن)

روش های برنامه ریزی ژنتیکی چند ژنی (MGGP).

برنامه نویسی ژنتیکی (GP) یک تکنیک بهینه سازی است که از رگرسیون نمادین در جستجوی راه حل نزدیک به بهینه برای یک پدیده یا سیستم پیچیده استفاده می کند [44]، [45]. در زمینه های مهندسی، GP برای تجزیه و تحلیل مجموعه داده های بزرگ به دلیل قابلیت های قدرتمند آن در فرمول بندی موثر روابط غیرخطی و نامشخص بین متغیرهای ورودی و خروجی در عبارات ریاضی استفاده شده است. MGGP یک نوع پیشرفته از GP است [34]، [46] که در آن، هر مدل توسط یک وزنه توسعه یافته است.

توضیحات مدل

در این تحقیق، یک تحلیل عددی با استفاده از کد ABAQUS برای شبیه‌سازی تیر ورق فولادی مخروطی (تیپولوژی‌های 1 و 2) تحت بار برشی انجام شد. غیرخطی‌های هندسی و مواد در نظر گرفته شد تا تغییر شکل زیاد در طی رفتار کمانش برشی و غیرخطی‌های مواد در تحلیل پس کمانش رخ دهد. عنصر پوسته چهار گره S4R5 به کار گرفته شد. به منظور گرفتن رفتار کمانش پست، نرم شدن و فروپاشی،

مجموعه داده ها

یک مجموعه داده متشکل از 411 مدل عددی برای توسعه، آموزش، و آزمایش عبارات مبتنی بر MGGP برای پیش‌بینی مقاومت برشی نهایی صفحات وب مخروطی در تیرهای ورق فولادی استفاده شد. مجموعه داده شامل 211 مدل است که از شبیه‌سازی‌های FE اجرا شده برای گونه‌شناسی 1 و 2 در این مطالعه، به‌علاوه 200 مدل دیگر که از دیگر مطالعات عددی کالیبره‌شده تجربی موجود در ادبیات استخراج شده‌اند [24]، [25]، 39]، [40] به حساب آوردن

بهترین عملکرد مدل های MGGP

جستجوی MGGP به طور تصادفی مجموعه داده های هر گونه شناسی را به دو زیر مجموعه تقسیم کرد. اولین زیر مجموعه (یعنی زیرمجموعه آموزشی 70٪ از کل مجموعه داده را نشان می دهد) برای توسعه عبارات پیش بینی اختصاص داده شد. در حالی که زیرمجموعه دوم (یعنی زیرمجموعه آزمایشی 30٪ از کل مجموعه داده را نشان می دهد) قبلاً هرگز در توسعه بیان استفاده نشده بود و بنابراین به ارزیابی تعمیم پذیری عبارات انتخابی نهایی کمک می کرد. بهترین عملکرد عبارات مبتنی بر MGGP راضی کننده است

نتیجه گیری

این مطالعه امکان بکارگیری برنامه‌ریزی ژنتیکی چند ژنی (MGGP) را برای توسعه عبارات پیش‌بینی‌کننده قوی برای مقاومت برشی نهایی صفحات وب مخروطی در تیرهای فولادی بررسی می‌کند. برای آموزش و آزمایش عبارات پیش‌بینی مبتنی بر MGGP، یک مجموعه داده متشکل از 211 نتیجه با استفاده از یک مدل المان محدود غیرخطی تأیید شده تجربی تولید شد. علاوه بر این، 200 نتیجه عددی دیگر از سایر مطالعات موجود در ادبیات جمع آوری شد. دقت و

مقالات مرتبط

دیدگاه خود را بنویسید

آدرس ایمیل شما منتشر نخواهد شد.پر کردن فیلدهای نشانه‌گذاری شده‌ با * ضروری می‌باشد.