Nội dung được dịch bởi AI, chỉ mang tính chất tham khảo
Mô hình dự đoán khả năng trượt bên của các cột bê tông cốt thép hình tròn sử dụng thuật toán tiến hóa
Tóm tắt
Khả năng trượt của các cột bê tông cốt thép (RC) là một yếu tố quan trọng trong quy trình thiết kế dựa trên sự dịch chuyển và độ rung của các kết cấu bê tông cốt thép, vì chúng có thể chịu tải hoặc tiêu tán năng lượng thông qua biến dạng và khả năng dẻo. Xét tới chi phí cao của các phương pháp thử nghiệm để quan sát khả năng trượt và độ dẻo của các thành phần kết cấu bê tông cốt thép, cùng với tác động của nhiều yếu tố, các phân tích số và kỹ thuật mô hình dự đoán đã được các nhà nghiên cứu và kỹ sư trong lĩnh vực này đánh giá cao. Nghiên cứu này cung cấp một phương pháp thay thế, được gọi là lập trình di truyền tuyến tính (LGP), để mô hình dự đoán khả năng trượt bên (Δmax) của các cột bê tông cốt thép hình tròn. Một mô hình mới được phát triển thông qua LGP tích hợp nhiều biến chính có trong cơ sở dữ liệu thử nghiệm cũng như các mô hình nổi tiếng đã được nhiều nhà nghiên cứu trình bày. Mô hình LGP được kiểm tra từ nhiều khía cạnh khác nhau. Phân tích so sánh giữa kết quả thu được từ mô hình này với những mô hình đã được đề xuất trước đó xác nhận độ chính xác của mô hình LGP trong việc ước lượng yếu tố Δmax. Kết quả cho thấy mô hình LGP nổi bật hơn hẳn so với các mô hình hiện nay về khả năng dự đoán và hiệu suất, và hoàn toàn có thể được sử dụng cho các mục đích kỹ thuật tiếp theo. Điều này khẳng định tính khả thi của kỹ thuật LGP cho phân tích số và mô hình hóa các vấn đề kỹ thuật phức tạp.
Từ khóa
#khả năng trượt #cột bê tông cốt thép #lập trình di truyền tuyến tính #mô hình dự đoán #phân tích số liệuTài liệu tham khảo
ACI Committee 318-14 Building code requirements for structural concrete (ACI 318 M-14) and commentary (ACI 318RM-14). In: 2015, American Concrete Institute
FEMA 356 (2000) Prestandard and commentary for the seismic rehabilitation of buildings. Federal Emergency Management Agency, Washington DC
Mander J, Priestley M, Park R (1988) Observed stress–strain behavior of confined concrete. J Struct Eng 114(8):1827–1849
Pujol S, Sözen M, Ramirez J (2000) Transverse reinforcement for columns of RC frames to resist earthquakes. J Struct Eng 126(4):461–466
Caglar N, Garip ZS (2013) Neural network based model for seismic assessment of existing RC buildings. Comput Concr 12(2):229–241
Sadrossadat E, Ghorbani B, Hamooni M, Moradpoor Sheikhkanloo MH (2018) Numerical formulation of confined compressive strength and strain of circular reinforced concrete columns using gene expression programming approach. Struct Concr 19(3):783–794
Priestley M, Park R (1987) Strength and ductility of concrete bridge columns under seismic loading. Struct J 84(1):61–76
Inel M (2007) Modeling ultimate deformation capacity of RC columns using artificial neural networks. Eng Struct 29(3):329–335
Zhu L (2005) Probabilistic drift capacity models for reinforced concrete columns. University of British Columbia, Columbia
Elwood KJ, Moehle JP (2005) Drift capacity of reinforced concrete columns with light transverse reinforcement. Earthq Spectr 21(1):71–89
Pujol S, Ramfrez J, Sozen MA (1999) Drift capacity of reinforced concrete columns subjected to cyclic shear reversals. Spec Publ 187:255–274
Pujol S (2002) Drift capacity of reinforced concrete columns subjected to displacement reversals. Purdue University, West Lafayette
Saatcioglu M, Razvi SR (2002) Displacement-based design of reinforced concrete columns for confinement. Struct J 99(1):3–11
Sadrossadat E, Heidaripanah A, Osouli S (2016) Prediction of the resilient modulus of flexible pavement subgrade soils using adaptive neuro-fuzzy inference systems. Constr Build Mater 123:235–247
Sadrossadat E, Heidaripanah A, Ghorbani B (2016) Towards application of linear genetic programming for indirect estimation of the resilient modulus of pavements subgrade soils. Road Mater Pavement Des 19(1):139–153
Rostami MF, Sadrossadat E, Ghorbani B, Kazemi SM (2018) New empirical formulations for indirect estimation of peak-confined compressive strength and strain of circular RC columns using LGP method. Eng Comput 34(4):865–880
Alavi AH, Gandomi AH, Sahab MG, Gandomi M (2010) Multi expression programming: a new approach to formulation of soil classification. Eng Comput 26(2):111–118
Khandelwal M, Faradonbeh RS, Monjezi M, Armaghani DJ, Abd Majid MZB, Yagiz S (2017) Function development for appraising brittleness of intact rocks using genetic programming and non-linear multiple regression models. Eng Comput 33(1):13–21
Sheikh SA, Uzumeri S (1982) Analytical model for concrete confinement in tied columns. J Struct Div 108(12):2703–2722
Gordon N (2015) Prediction of shear strength and ductility of cyclically loaded reinforced concrete columns using artificial intelligence. Dissertation, University of Nevada, Las Vegas
Tajeri S, Sadrossadat E, Bazaz JB (2015) Indirect estimation of the ultimate bearing capacity of shallow foundations resting on rock masses. Int J Rock Mech Min Sci 80:107–117
Alavi AH, Sadrossadat E (2016) New design equations for estimation of ultimate bearing capacity of shallow foundations resting on rock masses. Geosci Front 7(1):91–99
Gandomi AH, Yang XS, Talatahari S, Alavi AH (2013) Metaheuristic applications in structures and infrastructures. Elsevier, London
Gandomi AH, Yun GJ, Alavi AH (2013) An evolutionary approach for modeling of shear strength of RC deep beams. Mater Struct 46(12):2109–2119
Gandomi AH, Roke DA (2015) Assessment of artificial neural network and genetic programming as predictive tools. Adv Eng Softw 88:63–72
Gandomi AH, Alavi AH, Ryan C (2015) Handbook of genetic programming applications. Springer, Switzerland
Sadrossadat E, Basarir H (2019) An evolutionary-based prediction model of the 28-day compressive strength of high-performance concrete containing cementitious materials. Adv Civil Eng Mater 8(3):484–497
Sadrossadat E, Basarir H, Karrech A, Durham R, Fourie A, Bin H (2019) The optimization of cemented hydraulic backfill mixture design parameters for different strength conditions using artificial intelligence algorithms. In: Proceedings of the 28th international symposium on mine planning and equipment selection - MPES 2019, 2020, pp 219–227
Koza JR (1992) Genetic programming II, automatic discovery of reusable subprograms. MIT Press, Cambridge
Brameier MF, Banzhaf W (2007) Linear genetic programming. Springer, New York
Gandomi AH, Alavi AH, Sahab MG (2010) New formulation for compressive strength of CFRP confined concrete cylinders using linear genetic programming. Mater Struct 43(7):963–983
Alavi AH, Ameri M, Gandomi AH, Mirzahosseini MR (2011) Formulation of flow number of asphalt mixes using a hybrid computational method. Constr Build Mater 25(3):1338–1355
Sadrossadat E, Soltani F, Mousavi SM, Marandi SM, Alavi AH (2013) A new design equation for prediction of ultimate bearing capacity of shallow foundation on granular soils. J Civ Eng Manag 19(sup1):S78–S90
Berry M, Parrish M, Eberhard M (2004) PEER structural performance database, user’s manual (version 1.0). University of California, Berkeley
Baradaran Shoraka M, Elwood K (2013) Mechanical model for non ductile reinforced concrete columns. J Earthq Eng 17(7):937–957
Ziaee SA, Sadrossadat E, Alavi AH, Shadmehri DM (2015) Explicit formulation of bearing capacity of shallow foundations on rock masses using artificial neural networks: application and supplementary studies. Environ Earth Sci 73(7):3417–3431
Armaghani DJ, Faradonbeh RS, Momeni E, Fahimifar A, Tahir MM (2018) Performance prediction of tunnel boring machine through developing a gene expression programming equation. Eng Comput 34(1):129–141
Conrads M, Dolezal O, Francone F, Nordin P (2004) Discipulus–fast genetic programming based on AIM learning technology. Register Machine Learning Technologies Inc, Littleton CO
Smith GN (1986) Probability and statistics in civil engineering. Nichols Publishing Company, New York
Ghorbani B, Sadrossadat E, Bazaz JB, Oskooei PR (2018) Numerical ANFIS-based formulation for prediction of the ultimate axial load bearing capacity of piles through CPT data. Geotech Geol Eng 36(4):2057–2076
Sezen H (2008) Shear deformation model for reinforced concrete columns. Struct Eng Mech 28(1):39–52
Vu NS, Yu B, Li B (2016) Prediction of strength and drift capacity of corroded reinforced concrete columns. Constr Build Mater 115:304–318