Search
Применение полносвязной нейронной сети в расчётах сопротивления срезу при продавливании плоских железобетонных плит перекрытий без поперечной арматуры
View/ Open document files
Author
Date
2022Publisher
БрГТУUDC
624.046.5Citation
Применение полносвязной нейронной сети в расчётах сопротивления срезу при продавливании плоских железобетонных плит перекрытий без поперечной арматуры / В. В. Молош [и др.] // Перспективные направления инновационного развития строительства и подготовки инженерных кадров : сборник научных статей XXII Международного научно-методического семинара, Брест, 29–30 сентября 2022 г. / Министерство образования Республики Беларусь, Брестский государственный технический университет; редкол.: С. М. Семенюк [и др.]. – Брест : БрГТУ, 2022. – С. 121–133 : ил. – Библиогр.: с. 131–133 (12 назв.).Abstract
Сопротивление срезу при продавливании железобетонных плит перекрытий представляет собой один из наиболее сложных видов сопротивления железобетонных конструкций, так как имеет хрупкую форму разрушения с мгновенным отделением плиты от колонны, Точность оценивания сопротивление срезу при продавливании имеет в проектировании железобетонных конструкций ключевое значение. Несмотря на то, что экспериментальные и теоретические исследования сопротивления срезу при продавливании ведутся уже более ста лет, единой и достоверной расчётной модели к настоящему времени не разработано. Это объясняется сложностью напряжённо-деформированного состояния, возникающего под нагрузкой в узле соединения плиты перекрытия и колонны. Для оценки сопротивления срезу при продавливании наибольшее распространение получили полуэмпирические и полностью эмпирические расчётные модели в силу своей простоты и конкурентной точности предсказания. В данной работе исследуется моделирование сопротивления срезу при продавливании с помощью полносвязной нейронной сети, рассматриваемой в качестве аналитической альтернативы существующим расчётным моделям. Используя базу данных, собранную из многочисленных экспериментальных работ, была выполнена оценка достоверности существующих расчётных моделей, введённых в некоторые действующие нормативные документы и предсказаний сопротивления срезу при продавливании, полученных с помощью нейронной сети. Полученные с применением нейронной сети значения сопротивления срезу при продавливании были точнее, чем сделанные с помощью рассмотренных в данной работе расчётных моделей.
Annotation in another language
The punching shear capacity of reinforced concrete floor slabs is one of the most difficult kinds of resistance of reinforced concrete structures because it has the brittle form of destruction with the instantaneous separation of the slab from the column. The accuracy of punching shear capacity estimation has the key importance for the design of reinforced concrete structures. In spite of the fact that experimental and theoretical researches of shear resistance under punching have been carried out for more than a hundred years, a unified and reliable calculation model hasn't been worked out yet. This can be explained by the complexity of the stress-strain state which occurs under load at the junction of the floor slab and the column. Semiempirical and fully empirical computational models are most commonly used to estimate punching shear capacity because of their simplicity and competitive predic-tion accuracy. This paper investigates the modeling of punching shear resistance using a fully coupled neural network, considered as an analytical alternative to existing computational models. Using a database compiled from numerous experimental works, the validity of existing calculation models introduced in some existing regulatory documents and punching shear capacity predictions obtained with a neural network has been evaluated. The punching shear capacity values obtained by using a neural network were more accurate than those obtained by using the calculation models discussed in this paper.
Collection
Это произведение доступно по лицензии Creative Commons «Attribution-NonCommercial» («Атрибуция-Некоммерчески») 4.0 Всемирная.