Fretli kolonların kesme, eğilme ve süneklik kapasitelerinin yapay sinir ağları ile belirlenmesi
Yükleniyor...
Dosyalar
Tarih
2016
Yazarlar
Dergi Başlığı
Dergi ISSN
Cilt Başlığı
Yayıncı
Selçuk Üniversitesi Fen Bilimleri Enstitüsü
Erişim Hakkı
info:eu-repo/semantics/openAccess
Özet
Akıllı sistemler günümüzde çözülmesi zor olan ve karmaşık problemlerde sıklıkla kullanılan yöntemlerdendir. Özellikle inşaat mühendisliği disiplininde akıllı sistemlerden faydalanılarak çok sayıda araştırma yapılmıştır. Bu tez kapsamında ise; betonarme yapılarda bazı durumlarda tercih sebebi olan fretli kolonların eğilme momenti ve kesme kuvveti taşıma kapasiteleri ile deplasman sünekliklerinin akıllı sistem tabanlı bir algoritma ile belirlenmesi amaçlanmıştır. Çalışma kapsamında, tezin ilk bölümünde, akıllı bir sistem olan yapay sinir ağlarının (YSA) inşaat mühendisliği alanında kullanımı üzerine yapılan çalışmalardan oluşan geniş bir literatür taraması ele alınmıştır. İkinci bölümde, kolonlar ve yük altında davranışları üzerine yapılan araştırmalarda, kolonların moment ve kesme kuvveti taşıma kapasiteleri ile kesit sünekliklerinin belirlenmesi üzerine bilgiler sunulmuştur. Üçüncü bölümde, kullanılacak olan YSA tekniğinin kullanımı ve uygulama yöntemleri hakkında detaylı bilgilere yer verilmiştir. Çalışmanın özgün olan son bölümünde ise, literatürde testleri gerçekleştirilmiş olan 79 adet fretli kolon deneyinden elde edilen moment, kesme kuvveti taşıma kapasitesi belirli bir düzende hazırlanmıştır. Ayrıca test edilen kolonların deplasman süneklikleri de deneysel verilerden faydalanılarak hesaplanmıştır. Söz konusu derlenen veriler kullanılarak YSA aracılığı ile kolonların moment taşıma kapasiteleri, kesme kapasiteleri ve deplasman süneklikleri yüksek başarı oranında tahmin edilmiştir. YSA'nın bu alandaki başarısı, yine literatürden derlenen 7 adet farklı mekanik özelliklere sahip fretli kolon deney eleman verisinden oluşan, bir doğrulama seti ile sınanmıştır. Çalışmada derlenen 79 adet deney elemanı verisinin 50 tanesi eğitim için kullanılmış, kalan 29 tanesi de test amaçlı olarak YSA tarafından sınanmıştır. Çalışmada YSA ağ mimarisi oluşturulurken giriş katmanında kolon çapı, pas payı, kolon etkili boyu, beton ve donatının mekanik özelliği, boyuna ve enine donatı oranı, eksenel yük düzeyi olarak belirlenmiştir. Çıktı katmanında ise, üç çıkış nöronuna sahip YSA1 isimli ağ mimarisinde (modelde), fretli kolonların moment, kesme kuvveti taşıma kapasitesi ve kesit süneklik değerleri aynı anda tahmin edilmiştir. YSA2, YSA3, YSA4 olarak isimlendirilen diğer üç ağ mimarisinin çıkış katmanında ise tek nöron hücresi bulunmaktadır ve sırasıyla moment, kesme kuvveti taşıma kapasitesi ile deplasman süneklik parametreleri ayrı ayrı elde edilmiştir. Bu bağlamda çalışma literatürde ilk kez gerçekleştirilmiştir. Denenen dört farklı ağ mimarisinde gizli katman sayısı ve gizli katmandaki işlem elemanı sayıları çıktı katmanındaki parametrelere bağlı olarak değişkenlik göstermiştir. Tezin sonuç kısmında elde edilen analiz sonuçları değerlendirilmiştir. YSA4 isimli modelde elde edilen tahmin başarısının diğer modellere göre (YSA1, YSA2 ve YSA3) düşük olduğu görülmüştür. Ayrıca sonuç kısmında fretli kolonların moment ve kesme kuvveti taşıma kapasiteleri ile deplasman süneklik parametrelerinin belirlenmesi için kurulan modeller ve modellerin performans değerlendirme kriterlerinden bahsedilerek, YSA sonuçlarının deneysel verilerle olan yüksek doğruluk oranlı yakınsama başarısı her bir model için ayrı ayrı kıyas edilerek tartışılmıştır. Önerilen YSA1 isimli ağ modelinin tahmin başarısı, oluşturulan doğrulama seti sayesinde tekrar test edilerek doğrulanmıştır.
Artificial intelligence is a method which commonly used to solve complicated problems recently. Especially in structure engineering, there are many resources carried out on artificial intelligence. The aim of this study, bending moment and shearing capacity and displacement ductility of spiral columns are tried to determine by using an algorithm based on artificial intelligence network. In the first stage of the thesis, previous studies on artificial intelligence networks in engineering are examined and detailed literature researches is made. In the second stage, behaviors of columns under axial and lateral loads are investigated and information about with determination of moment capacity, shear force bearing capacity and displacement ductility are given. In the third stage, application methods of ANN which will be used in study are shown in detail. In the last stage and unique part of the study, moment capacity and shear force bearing capacity of 79 spiral column, which was tasted in previous studies, are obtained and prepared in a specific order. Also, displacement ductility of spiral columns is calculated by using experimental data. Putting collected data in ANN, moment capacity and shear bearing capacity of columns are estimated with a high success rate. The success of ANN in this area have been confirmed by validation set including 7 different mechanical properties spiral column test elements that were compiled from literature. The study include total of 79 compiled spiral column data, 50 of data set are used for training in ANN and remaining 29 of data set are used for testing purpose. While forming ANN network system of input layer, column diameter, depth of concrete cover, effective column height, mechanical properties of concrete and reinforcement, longitudinal and transverse reinforcement ratio is defined as the axial load level. In the output layer, moment capacity, shear bearing capacity and ductility values of spiral columns are estimated simultaneously by ANN1, three output neurons, network system. ANN2, ANN3 and ANN4, there network system have single neuron cell and moment capacity, shear bearing capacity and displacement ductility were obtained separately. In this regard, study was first in literature. In tested four different network systems, number of the hidden layers and number of processing elements in hidden layers at tested four different network system vary depending on the parameters in the output layer. In the conclusion stage, obtained analysis results are evaluated. It is shown that success of ANN4 less than other models, ANN1, ANN2 and ANN3. Moreover, evaluation criteria of models to determine moment capacity, shear bearing capacity and displacement ductility of spiral columns are mentioned. ANN models results and experimental results are compared and success of ANN model is discussed. Prediction success of the proposed ANN1 network model was verified by reanalyzing owing to generated verification set.
Artificial intelligence is a method which commonly used to solve complicated problems recently. Especially in structure engineering, there are many resources carried out on artificial intelligence. The aim of this study, bending moment and shearing capacity and displacement ductility of spiral columns are tried to determine by using an algorithm based on artificial intelligence network. In the first stage of the thesis, previous studies on artificial intelligence networks in engineering are examined and detailed literature researches is made. In the second stage, behaviors of columns under axial and lateral loads are investigated and information about with determination of moment capacity, shear force bearing capacity and displacement ductility are given. In the third stage, application methods of ANN which will be used in study are shown in detail. In the last stage and unique part of the study, moment capacity and shear force bearing capacity of 79 spiral column, which was tasted in previous studies, are obtained and prepared in a specific order. Also, displacement ductility of spiral columns is calculated by using experimental data. Putting collected data in ANN, moment capacity and shear bearing capacity of columns are estimated with a high success rate. The success of ANN in this area have been confirmed by validation set including 7 different mechanical properties spiral column test elements that were compiled from literature. The study include total of 79 compiled spiral column data, 50 of data set are used for training in ANN and remaining 29 of data set are used for testing purpose. While forming ANN network system of input layer, column diameter, depth of concrete cover, effective column height, mechanical properties of concrete and reinforcement, longitudinal and transverse reinforcement ratio is defined as the axial load level. In the output layer, moment capacity, shear bearing capacity and ductility values of spiral columns are estimated simultaneously by ANN1, three output neurons, network system. ANN2, ANN3 and ANN4, there network system have single neuron cell and moment capacity, shear bearing capacity and displacement ductility were obtained separately. In this regard, study was first in literature. In tested four different network systems, number of the hidden layers and number of processing elements in hidden layers at tested four different network system vary depending on the parameters in the output layer. In the conclusion stage, obtained analysis results are evaluated. It is shown that success of ANN4 less than other models, ANN1, ANN2 and ANN3. Moreover, evaluation criteria of models to determine moment capacity, shear bearing capacity and displacement ductility of spiral columns are mentioned. ANN models results and experimental results are compared and success of ANN model is discussed. Prediction success of the proposed ANN1 network model was verified by reanalyzing owing to generated verification set.
Açıklama
Anahtar Kelimeler
Betonarme, Fretli Kolon, Kapasite, Kesme, Moment, Süneklik, Yapay sinir ağları, Reinforced concrete, Spiral column, Capacity, Shear, Moment, Ductility, Artificial neural network
Kaynak
WoS Q Değeri
Scopus Q Değeri
Cilt
Sayı
Künye
Koçer, M. (2016). Fretli kolonların kesme, eğilme ve süneklik kapasitelerinin yapay sinir ağları ile belirlenmesi. Selçuk Üniversitesi, Yayımlanmış yüksek lisans tezi, Konya.
