Prediction of Ultimate Tensile Strength of Prestressed Concrete Strand Using Artificial Neural Network Model

Mehmet Uğraş Cuma; Hayrullah Özel; Tahsin Köroğlu

doi:10.21605/cukurovaummfd.504649

EN TR

Prediction of Ultimate Tensile Strength of Prestressed Concrete Strand Using Artificial Neural Network Model

Öz

The iron and steel industry is one of the essential sector for the industrial and economic development of a country. The most common problem in iron and steel industry is to determine the ultimate tensile strength of the product. The raw materials that are used in the Prestressed Concrete (PC) strand product are deformed under force and their shape and size are changed since the characteristics of them are not constant. To understand the material properties of the product such as the yield and the ultimate tensile strength, some mechanical tests are carried out. The product, the time and the labor loss occured in these mechanical tests reveal the need to develop a prediction method based on non-destructive measurement. In this study, the mechanical properties of PC strand product is predicted by using artificial neural networks (ANN). 'Feed-Forward Backpropagation (FFBP)' has been preferred since it is the most accurate network type for the current process. To determine the ultimate tensile strength, the data such as the load applied to the material (loadcell output), the DC voltage and the DC current of the induction furnace, the speed of the PC strand line, the temperature of the induction furnace, the temperature of the quench tank and the diamater of the PC strand product are collected from a real production line and are utilized as the input parameters of the ANN in the simulation environment. The study illustrates that the ANN model give a very good prediction of the ultimate tensile strength of PC strand.

Anahtar Kelimeler

Prestressed concrete strand,Tensile test,Artificial neural networks,Feed-forward backpropagation

Yapay Sinir Ağ Modeli Kullanılarak Ön Germeli Beton Demeti Maksimum Çekme Mukavemetinin Tahmini

Öz

Demir ve çelik endüstrisi, bir ülkenin endüstriyel ve ekonomik kalkınması için vazgeçilmez sektörlerden biridir. Demir ve çelik endüstrisindeki en yaygın sorun, ürünün maksimum çekme mukavemetini belirlemektir. Ön germeli beton demeti (ÖGBD) ürününde kullanılan hammaddeler kuvvet altında deforme olmakta ve karakteristikleri sabit olmadığından şekilleri ve boyutları değişmektedir. Ürünün, akma ve maksimum çekme mukavemeti gibi malzeme özelliklerini anlamak için bazı mekanik testler gerçekleştirilir. Bu mekanik testlerde ortaya çıkan ürün, zaman ve iş gücü kaybı, tahribatsız ölçümlere dayanan bir tahmin metodu geliştirme ihtiyacını ortaya koymaktadır. Bu çalışmada, ön germeli beton demeti ürününün mekanik özellikleri yapay sinir ağları (YSA) kullanılarak tahmin edilmiştir. Mevcut işlem için en doğru ağ tipi olduğundan 'İleri Beslemeli Geri Yayılım (İBGY)' tercih edilmiştir. Maksimum çekme mukavemetini belirlemek için, malzeme üzerine uygulanılan yük (yük hücresi çıkışı), indüksiyon fırınının DC gerilimi ve DC akımı, ÖGBD hattının hızı, indüksiyon fırınının sıcaklığı, soğutma tankının sıcaklığı ve ÖGBD ürününün çapı gibi veriler gerçek bir üretim hattından toplanmakta ve simülasyon ortamında YSA’nın girdi parametreleri olarak kullanılmaktadır. Çalışma, ANN modelinin, ön gerilmeli beton demetinin maksimum çekme mukavemetine dair çok iyi tahminde bulunulduğunu göstermektedir.

Anahtar Kelimeler

Öngermeli beton demeti,Çekme testi,Yapay sinir ağları,İleri beslemeli geri yayılım

Kaynakça

1. Malinov, S., Sha, W., 2004. Application of Artificial Neural Networks for Modelling Correlations in Titanium Alloys. Materials Science and Engineering: A, 365(1-2), 202-211.
2. Fujii, H., Mackay, D.J.C., Bhadeshia, H.K.D.H., 1996. Bayesian Neural Network Analysis of Fatigue Crack Growth Rate in Nickel Base Superalloys. ISIJ International, 36(11), 1373-1382.
3. Cool, T., Bhadeshia, H.K.D.H., Mackay, D.J.C., 1997. The Yield and Ultimate Tensile Strength of Steel Welds. Materials Science and Engineering: A, 223(1-2), 186–200.
4. Al-Assaf, Y., El-Kadi, H., 2001. Fatigue Life Prediction of Unidirectional Glass Fiber/epoxy Composite Laminae Using Neural Networks. Composite Structures, 53(1), 65-71.
5. Akbari, M.K., Shirvanimoghaddam, K., Hai, Z., Zhuiykov, S., Khayyam, H., 2017. Nano TiB2 and TiO2 Reinforced Composites: A Comparative Investigation on Strengthening Mechanisms and Predicting Mechanical Properties Via Neural Network Modeling. Ceramics International, 43, 16799-16810.
6. Malinov, S., Sha, W., Mckeown, J.J., 2001. Modelling the Correlation Between Processing Parameters and Properties in Titanium Alloys Using Artificial Neural Network. Computational Materials Science, 21(3), 375–394.
7. Mcbride, J., Malinov, S., Sha, W., 2004. Modelling Tensile Properties of Gamma-Based Titanium Aluminides Using Artificial Neural Network. Materials Science and Engineering: A, 384(1-2), 129–137.
8. Akbari, J., Rakhshan, N., Ahmadvand, M., 2013. Evaluation of Ultimate Torsional Strength of Reinforcement Concrete Beams Using Finite Element Analysis and Artificial Neural Network. IJE Transactions B: Applications, 26(5), 501-508.

9. Jeyasehar, C.A., Sumangala, K., 2006. Nondestructive Evaluation of Prestressed Concrete Beams Using an Artificial Neural Network (ANN) Approach. Structural Health Monitoring, 5(4), 313-323.
10. Esfahani, M.B., Toroghinejad, M.R, Abbasi, S., 2009. Artificial Neural Network Modeling the Tensile Strength of Hot Strip Mill Products. ISIJ International, 49(10), 1583-1587.
11. Lalam, S., Tiwari, P.K., Sahoo, S., Dalal, A.K., 2017. Online Prediction and Monitoring of Mechanical Properties of Industrial Galvanised Steel Coils Using Neural Networks. Ironmaking & Steelmaking.
12. Khayyam, H., Fakhrhoseini, S.M., Church, J.S., Milani, A.S., Bab-Hadiashar, A., Jazar, R.N., Naebe M., 2017. Predictive Modelling and Optimization of Carbon Fiber Mechanical Properties Through High Temperature Furnace, Applied Thermal Engineering, 125, 1539-1554.
13. http://www.strongwillwire.com/
14. ASTM International, 2017. ASTM A416 A416M-17 Standard Specification for Low Relaxation, Seven-wire Steel Strand for Prestressed Concrete. West Conshohocken, PA.
15. Saravanakumar, P., Jothimani, V., Sureshbabu, L., Ayyappan, S., Noorullah, D., Venkatakrishnan, P.G., 2012. Prediction of Mechanical Properties of Low Carbon Steel in Hot Rolling Process Using Artificial Neural Network Model. Procedia Engineering, 38, 3418-3425.
16. Denizer, B., 2008. Artificial Neural Network Analysis of the Mechanical Properties of Tungsten Fiber/Bulk Metallic Glass Matrix Composites via Neutron Diffraction and Finite Element Modeling., Iowa State University, Ames, Iowa, 33.
17. Beale, M.H., Hagan, M.T., Demuth, H.B., 2017. Neural Network Toolbox User's Guide the MathWorks Inc., Natick, MA, 512.

Ayrıntılar

Birincil Dil

İngilizce

Konular

Mimarlık, Mühendislik

Bölüm

Araştırma Makalesi

Yazarlar

Mehmet Uğraş Cuma ^*
Türkiye

Hayrullah Özel Bu kişi benim
Türkiye

Tahsin Köroğlu
Türkiye

Yayımlanma Tarihi

30 Eylül 2018

Gönderilme Tarihi

9 Temmuz 2018

Kabul Tarihi

15 Ekim 2018

Yayımlandığı Sayı

Yıl 2018 Cilt: 33 Sayı: 3

DOI

https://doi.org/10.21605/cukurovaummfd.504649

IZ

https://izlik.org/JA53SX42BN

Kaynak Göster

RIS / Bibtex

APA

Cuma, M. U., Özel, H., & Köroğlu, T. (2018). Prediction of Ultimate Tensile Strength of Prestressed Concrete Strand Using Artificial Neural Network Model. Çukurova Üniversitesi Mühendislik-Mimarlık Fakültesi Dergisi, 33(3), 187-196. https://doi.org/10.21605/cukurovaummfd.504649

AMA

1.Cuma MU, Özel H, Köroğlu T. Prediction of Ultimate Tensile Strength of Prestressed Concrete Strand Using Artificial Neural Network Model. cukurovaummfd. 2018;33(3):187-196. doi:10.21605/cukurovaummfd.504649

Chicago

Cuma, Mehmet Uğraş, Hayrullah Özel, ve Tahsin Köroğlu. 2018. “Prediction of Ultimate Tensile Strength of Prestressed Concrete Strand Using Artificial Neural Network Model”. Çukurova Üniversitesi Mühendislik-Mimarlık Fakültesi Dergisi 33 (3): 187-96. https://doi.org/10.21605/cukurovaummfd.504649.

EndNote

Cuma MU, Özel H, Köroğlu T (01 Eylül 2018) Prediction of Ultimate Tensile Strength of Prestressed Concrete Strand Using Artificial Neural Network Model. Çukurova Üniversitesi Mühendislik-Mimarlık Fakültesi Dergisi 33 3 187–196.

IEEE

[1]M. U. Cuma, H. Özel, ve T. Köroğlu, “Prediction of Ultimate Tensile Strength of Prestressed Concrete Strand Using Artificial Neural Network Model”, cukurovaummfd, c. 33, sy 3, ss. 187–196, Eyl. 2018, doi: 10.21605/cukurovaummfd.504649.

ISNAD

Cuma, Mehmet Uğraş - Özel, Hayrullah - Köroğlu, Tahsin. “Prediction of Ultimate Tensile Strength of Prestressed Concrete Strand Using Artificial Neural Network Model”. Çukurova Üniversitesi Mühendislik-Mimarlık Fakültesi Dergisi 33/3 (01 Eylül 2018): 187-196. https://doi.org/10.21605/cukurovaummfd.504649.

JAMA

1.Cuma MU, Özel H, Köroğlu T. Prediction of Ultimate Tensile Strength of Prestressed Concrete Strand Using Artificial Neural Network Model. cukurovaummfd. 2018;33:187–196.

MLA

Cuma, Mehmet Uğraş, vd. “Prediction of Ultimate Tensile Strength of Prestressed Concrete Strand Using Artificial Neural Network Model”. Çukurova Üniversitesi Mühendislik-Mimarlık Fakültesi Dergisi, c. 33, sy 3, Eylül 2018, ss. 187-96, doi:10.21605/cukurovaummfd.504649.

Vancouver

1.Mehmet Uğraş Cuma, Hayrullah Özel, Tahsin Köroğlu. Prediction of Ultimate Tensile Strength of Prestressed Concrete Strand Using Artificial Neural Network Model. cukurovaummfd. 01 Eylül 2018;33(3):187-96. doi:10.21605/cukurovaummfd.504649