BỘ KHOA HỌC VÀ CÔNG NGHỆ
HỆ THỐNG THÔNG TIN KHOA HỌC VÀ CÔNG NGHỆ

Lọc theo danh mục
  • Năm xuất bản
    Xem thêm
  • Lĩnh vực
liên kết website
Lượt truy cập
 Lượt truy cập :  23,957,962
  • Công bố khoa học và công nghệ Việt Nam

Kỹ thuật xây dựng

Nguyễn Đặng Đại Nam, Trần Văn Rin, Nguyễn Đình Quân, Phan Hoàng Nam(1), Nguyễn Văn Mỹ

Nghiên cứu dự đoán dạng phá hoại của cột bê tông cốt thép tiết diện chữ nhật chịu động đất dựa trên mạng nơron nhân tạo

A study on failure mode prediction of rectangular reinforced concrete columns subjected to earthquakes using artificial neural network

Tạp chí Khoa học và Công nghệ (Đại học Đà Nẵng)

2022

7

13-18

1859-1531

Cột bê tông cốt thép, Dạng phá hoại, Thí nghiệm gia tải lặp đảo chiều, Học máy, Mô hình ANN.

Reinforced concrete column, Failure mode, Quasi-static cyclic test, Machine learning, ANN model

Một vấn đề quan trọng trong đánh giá tính năng kháng chấn cho công trình cầu, khung hay nhà cao tầng bê tông cốt thép (BTCT) là nhận dạng dạng phá hoại của trụ/cột. Trong nghiên cứu này, một phương pháp dựa trên kỹ thuật học máy được trình bày nhằm dự đoán dạng phá hoại của cột BTCT chịu động đất. Mô hình dự đoán dùng mạng nơ ron nhân tạo (ANN) được huấn luyện trên bộ dữ liệu gồm 272 thí nghiệm gia tải lặp đảo chiều của cột BTCT tiết diện chữ nhật, với các biến đầu vào bao gồm tỷ số hình dạng, tỷ số tải trọng dọc trục, chỉ số cốt thép chủ và chỉ số cốt thép đai, và đầu ra là một trong ba dạng phá hoại gồm phá hoại uốn, phá hoại uốn-cắt và phá hoại cắt của cột. Mô hình ANN sau đó được đánh giá thông qua tập dữ liệu xác thực; kết quả thể hiện độ chính xác cao của mô hình trong việc dự đoán dạng phá hoại của cột.

An important step in the framework of seismic evaluations of reinforced concrete (RC) bridges, frames, or buildings is the identification of failure modes of RC piers/columns. In this paper, a new efficient method is presented to classify failure modes of RC columns due to earthquake loadings. In this regard, a machine learning technique, i.e., artificial neural network (ANN), is used with a dataset of 272 quasi-static cyclic tests of RC columns, in which four parameters are used as the input for the ANN model development, i.e., aspect ratio, axial load ratio, longitudinal reinforcement index, and transverse reinforcement index, and the output is one among three failure modes of columns, i.e., flexure failure, flexure-shear failure, and shear failure. The validation of the ANN model based on test data provides a desirable accuracy in specifying the column failure mode.

TTKHCNQG, CVv 465

Xem toàn văn