بخشی از مقاله
چکیده:
بتن و فولاد مصالحی هستند که بهصورت گسترده در صنعت ساخت مورد استفاده قرار میگیرند. ترکیب هوشمندانه این دو مصالح، یک سیستم موثر و کاراتر از استفاده مجزا از آنها را نتیجه میدهد. این سیستم را با عباراتی چون سیستم مرکب نیز معرفی میکنند. علیرغم مزایا و کارایی بالای ستونهای مرکب دایرهای شکل پر شده با بتن - CCFST - ، روابط مناسب و دقیقی برای برآورد ظرفیت باربری آنها موجود نمیباشد و کلیه روابط ارائه شده بر اساس دادههای آزمایشگاهی محدود میباشند.
با جمع آوری دامنه وسیعی از نمونه های آزمایشگاهی معتبر انجام شده بر روی این نوع از ستونها، مرجع مناسبی از دادههای آزمایشگاهی گردآوری شده و با کاربرد این دادهها توسط سیستمهای هوشمند می توان به تخمین مناسبی برای ظرفیت باربری محوری ستون مورد نظر دست یافت. شبکههای هوشمند عصبی مصنوعی با انتخاب الگوریتم مناسب تاثیر بسیار مهمی در حذف خطاهای بیمورد دارند و بهینهترین خروجی را تولید میکنند. در این مقاله با استفاده از شبکه عصبی مصنوعی ایجاد شده، رابطهای برای تعیین ظرفیت باربری محوری ستونهای CCFST پیشنهاد میگردد و صحت آن مورد بررسی قرار میگیرد.
-1 مقدمه
امروزه یکی از حساسترین تصمیماتی که طراح سازه بایستی مدنظر قرار دهد، انتخاب نوع مصالح مصرفی در سازه میباشد. این تصمیم در بسیاری از اوقات تابع نوع سازه، کاربرد سازه، اقتصادی بودن سازه، استحکام سازه و همچنین تجربه و مهارت طراح است. بتن و فولاد مصالحی هستند که بهصورت گسترده در ساختوسازها مورد استفاده قرار میگیرند. ترکیب هوشمندانه این دو مصالح، یک سیستم موثر و کاراتر از استفاده مجزا از آنها را نتیجه میدهد. این سیستم را با عباراتی چون سیستم مرکب معرفی میکنند. استفاده از ستونهای مرکب بهعلت همکاری توام و مناسب بتن و فولاد در بسیاری از سیستمهای سازهای در سرتاسر جهان در حال افزایش است.
حال قطعا طراحان اینگونه سازهها نیاز به اطلاعاتی جامع و دقیق از تحقیقات محققین خواهند داشت، پس استفاده از نتایج با صحت بالا از اهمیت زیادی برخوردار است. برای رسیدن به دادههای صحیح سازهای در تحقیقات نیاز به دستگاههای آزمایشگاهی مختلف، صرف مصالح، کمک نیروی انسانی و غیره خواهد بود. لذا در این گونه تحقیقات سازهای به مواردی برخورد خواهیم کرد که هزینهبر بوده و همچنین با مشکلات بسیاری روبرو خواهیم بود.
اما میتوان با استفاده از روشها و ابزارهای تحقیقاتی مناسب با کمترین هزینه به نتیجه مطلوب دست یافت و به این مشکلات چیره شد. یکی از این روشهای مناسب، روش سیستمهای هوشمند میباشد که یکی از پرطرفدارترین و کاربردیترین این ساختارها، شبکههای عصبی مصنوعیاند، که از نقش آنها در حل مسائل دنیای امروز نمیتوان چشم پوشید. ستون کوتاه مرکب فولادی پر شده با بتن که به اختصارCFST نامیده میشود، ستونی از ترکیب فلز و بتن است که با اشکال مختلف مقطع بکار برده میشوند، شکل - . - 1 جدار فولادی همانند قالب عمل کرده و بتن را محصور میکند. بخش فولادی مقطع ستون بصورت دایره، مربع و مستطیل میباشد که در هسته آن بتن ریزی انجام میشود. ضمنا برای نوع بتن ستون از بتن خود متراکم و یا بتن معمولی استفاده میشود.
-2 مدلسازی شبکه
شبکههای عصبی مصنوعی ساختار خود را بر اساس اطلاعات داخلی یا خارجی که در جریان فاز یادگیری درون شبکه می باشند، تغییر میدهند. بطور معمول این اطلاعات برای مدلسازی روابط پیچیده بین ورودیها و خروجیها استفاده میگردد. بهوسیله پیوندهایی که دادههای ورودی را عملآوری میکنند، میتوان خروجی دلخواه را تولید کرد. الگوریتمهای شبکه عصبی مصنوعی بین متغیرها هماهنگی ایجاد میکنند و در مرحله آموزش شبکه بر مبنای تطابق و همسنجی بین ورودی و هدف سازگار میشود تا اینکه خروجی شبکه و خروجی مورد نظر ما بر هم منطبق گردد[1]، لذا گستردگی دادههای آزمایشگاهی بسیار ضرورت دارد. در انواع الگوریتمهای شبکه عصبی مصنوعی معمولاً بهترتیب روند ایجاد شبکه، آموزش شبکه و شبیه سازی شبکه انجام میشود.
در این تحقیق نیز برای استفاده از شبکههای عصبی مصنوعی از چهار روند گردآوری دادههای آزمایشگاهی، ایجاد شبکه مناسب، آموزش شبکه و شبیهسازی استفاده خواهد شد. برای ایجاد یک شبکه کارآمد، 192 نمونه ستون آزمایشگاهی که شامل ابعاد و مشخصات مکانیکی مقطع و نیروی نهایی آزمایشگاهی میباشند از مقالات معتبر اوشعا[2]، یو[3]، گوپتا[4]، آبد[5]، جئو[6]، یو[7]، البدی[8]، استخراج و گردآوری شده است. تمامی این ستونها بهصورت چاق عمل کرده و کمانش در آنها اتفاق رخ نمیدهد. طبق مدلهای محققین حداکثر ظرفیت باربری فشاری محوری ستونهای CCFST متاثر از پارامترهای زیر است:
fy - MPa - , f 'c - MPa - , L - mm - , t - mm - , D - mm -
: f y مقاومت تسلیمی جدار فولادی بر حسب مگاپاسکال
: f 'c مقاومت فشاری بتن بر حسب مگاپاسکال
:D قطر مقطع بر حسب میلیمتر
:t ضخامت جداره فولادی بر حسب میلیمتر
:L ارتفاع ستون بر حسب میلیمتر
این 5 پارامتر به همراه نسبت مجموعاً 6 گره ورودی شبکه را تشکیل میدهند، همچنین حداکثر نیروهای آزمایشگاهی ستونها به عنوان بردار هدف مشخص میباشند. لازم به ذکر است 6 گره ورودی شبکه تشکیل ماتریس 192× 6 و بردار هدف تشکیل ماتریس 192×1 را میدهد. الگوریتم مورد استفاده در مدلسازی، شبکه پسانتشار1 بوده و رفتار این الگوریتمها یک استاندارد با کاهش شیب2 میباشد، که در آن وزنهای شبکه در جهت خلاف شیب تابع کارایی3 حرکت میکنند. این شبکه چند لایه با تابع انتقال غیرخطی قاعده یادگیری ویدرو- هوف4 میباشد. لغت پسانتشار به رفتار شبکه در محاسبه شیب در شبکههای غیرخطی چند لایه اشاره دارد.
توابع انتقال برای این شبکهها بصورت لگاریتم سیگموئید و تابع انتقال در لایه خروجی بصورت خطی میباشد. استفاده از این روش به دلیل داشتن بایاس یک لایه سیگموئید و یک لایه خروجی خطی، توانایی تخمین هر تابعی با نقاط ناپیوستگی محدود را ممکنساز میکند. شبکههای پسانتشار که به خوبی آموزش میبینند و زمانیکه به دادههای ورودی که قبلا ندیدهاند برخورد میکنند، تمایل دارند جوابهای با دقت بالا بهدهند. در سادهترین پیاده سازی یادگیری پسانتشار، وزنها و بایاسها در جهتی که تابع کارایی کاهش مییابد، یعنی خلاف شیب آن به روز میشوند. یک تکرار از این روند را بهصورت زیر میتوان نوشت.
