Shear Performance of Deep Concrete Beams with Openings Using Waste Tyre Steel Fibres: FEM and ANN Analysis
محل انتشار: ژورنال مهندسی عمران، دوره: 10، شماره: 8
سال انتشار: 1403
نوع سند: مقاله ژورنالی
زبان: انگلیسی
مشاهده: 39
فایل این مقاله در 28 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_CEJ-10-8_002
تاریخ نمایه سازی: 8 مهر 1403
چکیده مقاله:
The creation of transverse openings in beams triggers the shear performance. The dual impact of height and length on the overall shear performance and strain variations in reinforcements of deep concrete beams with and without fibres was assessed to investigate the effect of opening in the beam. This effect of opening was explored and modelled using finite element software Abaqus and predicted using an artificial neural network (ANN) model. The data set for ANN was ۵۶ deep concrete beams, while for the finite element model (FEM), ۱۲ deep concrete beams were used. The effect of input parameters in the ANN model was assessed through sensitivity analysis. Results show that with an increase in opening depth, the strain in top steel reinforcement shifted to tensile strain, resulting in premature beam failure. In addition, experimental and FEM shear resistance had a mean absolute error (MAE) of ۴.۱, ۵.۰, and ۲۰.۶% for deep beams without fibres, with fibres and fibre mesh, respectively. Compared to available analytical models, the ANN model reasonably predicts the shear resistance with an R۲of ۰.۸۴ and a mean square error (MSE) of ۰.۰۱. The use of the ANN and FEM models is recommended as they save time, and the prediction does not involve degradation of the environment, hence demonstrating sustainable construction practices. Doi: ۱۰.۲۸۹۹۱/CEJ-۲۰۲۴-۰۱۰-۰۸-۰۲ Full Text: PDF
کلیدواژه ها:
Sensitivity Analysis ، Shear Resistance ، Artificial Neural Network (ANN) ، Reinforced Concrete Deep ، Finite Element Model.
نویسندگان
مراجع و منابع این مقاله:
لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :