کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
6738277 1429067 2018 10 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Classification of failure mode and prediction of shear strength for reinforced concrete beam-column joints using machine learning techniques
ترجمه فارسی عنوان
طبقه بندی حالت شکست و پیش بینی مقاومت برشی برای اتصالات پرتو ستون بتن مسلح با استفاده از تکنیک های یادگیری ماشین
کلمات کلیدی
مفاصل پرتو-ستون، شکست برشی مشترک، حالت شکست فراگیری ماشین، مدلهای احتمالی،
ترجمه چکیده
مفاصل پرتوهای ستونی یکی از اجزای حیاتی هستند که عملکرد اجرایی ساختمان فریم های بتنی تحت بارگذاری لرزه ای را کنترل می کنند. برای شناسایی مکانیزم پاسخ، از جمله طبقه بندی حالت شکست و پیش بینی نیروی برشی مرتبط، اتصالات پرتو ستون، این مقاله کاربرد تکنیک های یادگیری ماشین را معرفی می کند. کارایی تکنیک های مختلف یادگیری ماشین با استفاده از داده های آزمایشی گسترده ای از 536 آزمایش تجربی، که هر کدام به صورت شکستگی برشی برشی مشترک غیر قابل انعطاف قبل از شکستن برش و یا شکستگی برشی مجرای مجاور پس از پرتو ترسیم شده اند، مورد بررسی قرار می گیرند. از مقایسه مقایسه شده است که رگرسیون لسو دارای کارایی بهتر و دقت منطقی در طبقه بندی و پیش بینی است. فرمولاسیون پیشنهادی به عنوان تابع متغیرهای ورودی تأثیرگذار را می توان به راحتی توسط مهندسان سازه برای ارائه راهکار بهینه سازی توانبخشی برای ساختمان های موجود و طراحی ساختارهای جدید استفاده کرد.
موضوعات مرتبط
مهندسی و علوم پایه علوم زمین و سیارات مهندسی ژئوتکنیک و زمین شناسی مهندسی
چکیده انگلیسی
Beam-column joints are one of critical components that control the oveerall performance of reinforced concrete building frames under seismic loadings. To identify the response mechanism, including the classification of failure mode and the prediction of associated shear strength, of beam-column joints, this paper introduces the application of machine learning techniques. The efficiency of various machine learning techniques is evaluated using extensive experimental data from 536 experimental tests, all of which exhibited either non-ductile joint shear failure prior to beam yielding or ductile joint shear failure after beam yielding. It has been seen from the comparison that lasso regression has a better efficiency and reasonable accuracy in the classification and prediction. The suggested formulations as a function of influential input variables can be easily used by structural engineers to provide an optimal rehabilitation strategy for existing buildings and to design new structures.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Engineering Structures - Volume 160, 1 April 2018, Pages 85-94
نویسندگان
, ,