بخشی از مقاله
چکیده
در سالهای اخیر استفاده از تیرهای پلیمری تقویتشده فیبری - FRP - برای تقویت سازههای بتنی، بسیار مورد توجه قرار گرفته است که این از مقاومت آنها در برابر خوردگی، استحکام کششی بالا و خواص غیرمغناطیسی مناسب آنها نشأت میگیرد. باتوجه. به ضریب ارتجاعی نسبتاً پائین FRP، اجزای بتن که بهصورت طولی با FRP تقویت شده، دیده میشود که مقاومت برشی آنها درمقایسه با مقاومت برشی مواردی که با همان میزان فولاد تقویت شده، کاهش مییابد. در این پژوهش قابلیت کاربرد مدل سیستم استنتاج فازیB عصبی را برای پیشبینی مقاومت برشی تیرهای بتن مسلح FRP بررسی شد و نتایج آن با آییننامههای موجود مقایسه گردید.
برای این منظور پارامترهای مقاومت فشاری بتن، عرض مقطع، ارتفاع موثر، طول تیر، درصد الیاف فیبری و مدول الاستیته الیاف فیبری بعنوان ورودی و مقاومت برشی تیر بتن مسلح بعنوان پارامتر خروجی انتخاب گردید. از معیارهای ضریب همبستگی و ریشه میانگین مربعات خطا جهت تجزیهوتحلیل مدل استفاده شد. نتایج حاصله نشان داد مدل سیستم استنتاج فازیBعصبی با ضریب همبستگی - 0/986 - و ریشه میانگین مربعات خطا KN - - 0/040 توانسته در مرحله صحت سنجی توانسته عملکرد قابل قبولی از خود نشان دهد.
.1 مقدمه
سازههایی که در معرض شرایط شدید زیستمحیطی قرار دارند، بسیار حساس هستند و به علت خوردگی آرماتور فولادی خدمترسانیشان کاهش مییابد .گاراژها، پارکینگها، پلها، دیوارها، و سازههای دریایی چند نمونه از این نوع سازهها میباشند .اینمشکل شدیداً در مناطق سرد که در آنها برای یخزدایی جادهها در فصل زمستان از نمک استفاده میشود نیز وجود دارد .
یکی از روشهای محافظت در مقابل خوردگی در سالهای اخیر استفاده از میلهگرد FRP میباشد1]و.[2 بااینوجود عواملی همچون اجرای سخت و نامناسب، وزن سازه و تأثیرات طبیعی نفوذ و خوردگی و همچنین بحث اقتصادی که تیرهای بتنی با مصالح فولادی بسیار گرانتر از تیرهای بتنی FRP بوده و در کارایی مناسب سازههای بتنی تأثیرگذار است که این عوامل مهندسان سازه را مجبور به انتخاب یک سیستم مقاومسازی با هزینه و چرخه عمر مناسب مینماید .
بهطورکلی تقویت سازههای بتنی بهمنظور تحمل بارهای مضاعف طراحی، بهبود نارساییهای ناشی از فرسایش و افزایش شکلپذیری سازه با استفاده از مصالح مناسب و شیوههای اجرای صحیح شکل میگیرد .استفاده از صفحات فولادی بهصورت پوشش خارجی، غلاف بتنی یا فولادی و پس کشیدگی خارجی تعدادی از روشهای تقویت، موجود میباشد که استفاده از مواد مرکب ساختهشده از الیاف در محیط رزین پلیمری بهعنوان پلیمرهای مسلح شده با الیاف FRP، بهعنوان یک ضرورت در جایگزین مصالح سنتی و شیوههای موجود معرفیشده است .
به دلیل ، پیچیدگی مکانیزم برشی تیرهای بتن مسلح و انواع پارامترهای مؤثر بر آن، ایجاد یک مدل کلی برای ارائه برآورد دقیق از مقاومت برشی دشوار است .امروزه سیستمهای هوشمند بهطور گسترده برای پیشبینی پدیدههای غیرخطی مورداستفاده قرار میگیرد، که شبکههای عصبی مصنوعی - ANN2 - ازجملهی این روشها بشمار میروند. شبکههای عصبی مصنوعی نیز با الهام از سیستم پردازش اطلاعات مغز طراحیشده و توانایی آن در تقریب الگوهای یک مسئله سبب افزایش دامنه کاربرد این شبکهها شده است.
در سالهای اخیر استفاده از روشهای هوشمند موردبررسی در مطالعات پیشبینی مقاومت برشی تیرهای بتن مسلح موردتوجه محققین قرارگرفته است، که ازجمله میتوان به موارد ذیل اشاره نمود: در پژوهشی رخشان و همکاران [3] جهت پیشبینی پیچش تیرهای بتن مسلح از شبکه عصبی مصنوعی و آییننامه بتن ایران استفاده شد که نتایج گویای دقت بالا و خطای ناچیز شبکه عصبی مصنوعی در محاسبه پیچش تیرهای بتنی است .از سوی دیگر در پژوهشی حسین پور و همکاران [4] ظرفیت برشی تیرهای بتنآرمه با استفاده از شبکه عصبی مصنوعی موردبررسی قرار گرفت و نتایج حاکی از قدرت پیشبینی بالای ANN نسبت به معادلات و آئیننامههای تجربی است .
همچنین آدهیکاری و ماتسویوشیب [5] بمنظور پیشبینی مقاومت برشی تیرهای بتنی تقویتشده با فیبر فولادی از شبکه عصبی مصنوعی استفاده نمودند و نتایج نشان دادند شبکه عصبی مصنوعی مدل مناسبی جهت تخمین مقاومت - SFRC - تیرهای بتنی میباشد . همچنین در پژوهشی دیگر آدهیکاری و ماتسویوشیب [6] مدل شبکه عصبی پیشخور برای پیشبینی ظرفیت برشی تیرهای بتنآرمه تقویتشده موردبررسی قرار گرفت و به این نتیجه رسیدند که مدل شبکه عصبی مصنوعی دقت بالایی در پیشبینی ظرفیت برشی تیرهای بتنی دارد.
آرفا و همکاران [7] با استفاده از شبکه عصبی مصنوعی را در تخمین مقاومت برشی تیرهای بتن مسلح با استحکام بالا را مورد تجزیه و تحلیل قرار داد و نشان دادند مدل شبکه عصبی مصنوعی قابلیت بسیار بالایی نسبت به آیین نامه ها دارد. در پژوهشی دیگر کارا [8] مقاومت برشی تیرهای بتن مسلح FRP را با استفاده از برنامهریزی ژنتیک موردبررسی قرار گرفت و نتایج نشان داد مدل برنامهریزی ژنتیک با نسبت به آییننامه موسسه بتن آمریکا از خطای بسیار اندکی برخوردار است.
همچنین نتایج حاصل از پژوهش افریفا و همکاران [9] که جهت بررسی مقاومت برشی تیرهای بتن مسلح از شبکه عصبی پرسپترون استفاده نمودند بیانگر خطای ناچیز این شبکه می باشد. درمجموع با توجه به پژوهشهای انجامشده، اهمیت مقاومت برشی تیرهای بتن مسلح در طراحی سازهها بیشازپیش ضروری است لذا هدف از این پژوهش پیشبینی مقاومت برشی تیرهای بتن مسلح FRP با مدل هوشمند همچون سیستم استنتاج فازیBعصبی و مقایسه نتایج آن با آیین نامه های موجود میباشد.
.2سیستم استنتاجی فازی-عصبی تطبیقی
شبکههای عصبی-فازی مدلهایی فازی هستند که فقط توسط دانش خبره طراحی نمیشوند، بلکه تا اندازهای از دادهها نیز آموزش میبینند.[10] پیوندهای نزدیک میان مدلهای فازی و شبکههای عصبی، خاستگاه نخستین روشهای مدلسازی فازی به کمک دادهها بود. معمولا مدل فازی به صورت ساختار یک شبکهی عصبی طرح ریزی شده و روشهای آموزش که تاکنون در متن شبکههای عصبی به خوبی کار کردهاند، برای این شبکههای عصبی-فازی نیز به کار میرود. مدلسازی عصبی-فازی ابزاری توانمند است که به آسانی اجازه میدهد یک سیستم را به طور کارا گسترش دهیم.
این مدلها یک سیستم مورد نظر را با استفاده از قوانین اگر-آنگاه فازی در قالب یک ساختار شبکهای تقریب میزنند. سیستمهای فازی و شبکههای عصبی هر یک دارای مزیتهای به ترتیب، تعبیرپذیری و یادگیری هستند. ایدهی ترکیب این دو روش منجر به پیدایش سیستمهای ساده و تعبیرپذیر عصبی-فازی شد. به دلیل چنین ساختاری، مدلهای عصبی-فازی شفافیت ویژهای - جعبه خاکستری - در تعبیر و تحلیل پاسخهایی که برمیگردانند، دارند و نسبت به مدلهای کاملا بسته مانند شبکههای عصبی، راهحلهای قانع کنندهتری را به کاربران ارایه میدهند.
در واقع، روشهای عصبی-فازی در مقایسه با روشهای فازی یا عصبی محض، از فواید هر دوی آنها بهره میبرد : توان یادگیری و پردازشی کم هزینهی شبکههای عصبی نسبت به سیستمهای فازی و تصمیمگیری بشرگونه سیستمهای فازی نسبت به شبکههای عصبی اصول بنیادین منطق فازی توسط عسکرزاده ارائه شد.[11] اما مدل ANFIS که ترکیبی از مدل شبکه عصبی و منطق فازی میباشد، توسط جنگ طراحی شده است.[12] مدلهای تطبیقی عصبی-فازی به تازگی محبوبیت زیادی برای واسنجی روابط غیرخطی به دست آوردهاند، زیرا این مدلها مزایا بیشتری را نسبت به مدلهای رایج ارائه میدهند.
.3معیارهای ارزیابی
در این تحقیق ارزیابی دقت و قابلیت مدل موردبررسی با استفاده از نمایههای ضریب همبستگی - R - و ریشه میانگین مربعات خطا - RMSE - طبق روابط زیر محاسبه میگردد.
