Поиск по всему репозиторию:
Application of convolutional neural network in stress calculations of reinforced concrete slabs of road pavements

Открыть/скачать файлы документа
Автор
Дата издания
2024Издательство
БрГТУУДК
624.012.45Библиографическое описание
Application of convolutional neural network in stress calculations of reinforced concrete slabs of road pavements = Применение сверточной нейронной сети в расчетах напряжений железобетонных плит дорожных покрытий / V. V. Molosh, А. E. Zheltkovich, K. G. Parchotz, I. G. Tomashev. – Text: direct // Vestnik of Brest State Technical University. – 2024. – № 3. – P. 24–30. – Bibliography: 39 titles.Аннотация
The design of rigid reinforced concrete slabs of foundations, slabs, road surfaces is based on calculation models, which are developed on a relatively limited number of experimental studies, in most cases requiring quite large material and time costs. The complex stress-strain state occurring in stiff reinforced concrete base and pavement slabs under load, especially under cyclic dynamic loading, can often lead to cracking and failure of the slabs. In this paper, reinforced concrete slabs of a container yard pavement were investigated for load bearing from the wheels of a reach stacker (container loading vehicle) travelling on the surface. Existing models for the design of such slabs typically consider the slab loaded by a single local load applied to an edge or corner of the slab from the wheels of a moving vehicle. In fact, there may be two wheels on the slab, resulting in more unfavorable conditions. The application of the finite element method in such problems is quite laborious as it requires highly skilled design engineers and considerable time, making the design routine and of limited use. This paper investigates an alternative approach based on the application of an artificial convolutional neural network (CNN) with U-Net architecture, which provides a reasonably accurate prediction of stresses in the slab much faster and simpler compared to the finite element method. The paper presents the architecture of the neural network with an indication of the features and stages of its training. Statistical analysis of the calculation results is performed, which allowed us to assess the reliability of the neural network model for determining stresses in reinforced concrete slabs on an elastic base.
Аннотация на другом языке
В основу проектирования жёстких железобетонных плит фундаментов, перекрытий, дорожных покрытий положены расчётные модели, которые разработаны на относительно ограниченном количестве экспериментальных исследований, в большинстве случаев требующих достаточно больших материальных и временных затрат. Сложное напряжённо-деформированное состояние, возникающее в жёстких железобетонных плитах фундаментов и дорожных покрытий под нагрузкой, и в особенности под циклической динамической нагрузкой, часто может приводить к образованию трещин и разрушению плит. В работе исследовались железобетонные плиты покрытия контейнерной площадки, которые воспринимают нагрузку от колёс перемещающегося по поверхности ричстакера (транспортного средства для погрузки контейнеров). Существующие модели для проектирования таких плит рассматривают как правило плиту, загруженную одной локальной нагрузкой, приложенной на краю или в углу плиты, от колеса передвигающегося транспорта. Фактически на плите могут располагаться два колеса, что приводит к более неблагоприятному состоянию. Применение метода конечных элементов в таких задачах является достаточно трудоёмким, так как требует высокого уровня квалификации инженеров-проектировщиков и значительных временных и трудовых затрат, что делает проектирование рутинным и мало целесообразным. В данной работе исследован альтернативный подход, основанный на применении искусственной сверточной нейронной сети (CNN) с архитектурой U-Net, позволяющий получить достаточно точное предсказание напряжений в плите значительно быстрее и проще в сравнении с методом конечных элементов. В работе приведена архитектура нейронной сети с указанием особенностей и этапов её обучения. Выполнен статистический анализ результатов расчёта, позволивший оценить достоверность нейросетевой модели определения напряжений в железобетонных плитах на упругом основании.
URI документа
https://rep.bstu.by/handle/data/47788Документ расположен в коллекции
- № 3 (135) 2024 [28]

Это произведение доступно по лицензии Creative Commons «Attribution-NonCommercial» («Атрибуция-Некоммерчески») 4.0 Всемирная.