Betonarme perdelerde enerji sönümleme kapasitesinin meta-modelleme yöntemleriyle incelenmesi

Yıl 2023, , 2311 - 2324, 12.04.2023

Zeynep Değer , Gülşen Taşkın Kaya , Fatih Sütcü

https://doi.org/10.17341/gazimmfd.1117820

Cited By: 1

Öz

Son yıllarda çok sayıda araştırmaya konu olan depreme dayanıklı yapı tasarımı yöntemlerinden biri enerji esaslı yapı tasarımı yöntemidir. Bu yöntem, deprem sebebiyle binaya etki eden enerji talebinin yapıdaki çeşitli dinamik mekanizmalar tarafından sönümlenmesi esasına dayanır. Depremin enerji talebinin bilinmesi halinde, yapısal elemanların ayrı ayrı ve toplam enerji sönümleme davranışlarının isabetli bir şekilde elde edilmesi doğru bir tasarım yapılması için esastır. Depreme dayanıklı yapı tasarımında yüksek rijitlik ve dayanım sağladıkları için yaygın olarak kullanılan betonarme perde duvarlarının, deprem etkisi altında doğrusal olmayan davranışı, yüksek deformasyon seviyelerinde rijitliğin azalması ve enerji sönümleme kapasitesinin artması şeklindedir. Perdelerin doğrusal olmayan davranışı, enerji yönünden düşünüldüğünde çevrimsel enerji sönümleme kapasitesi ile ele alınabilir. Literatürde betonarme perdeler için enerji karakteristiklerini belirlemeye yönelik çalışmalar sınırlı olup, mevcut deprem yönetmeliklerinde enerji esaslı tasarıma henüz yer verilmemektedir. Bu çalışmada, dünya çapında yapılmış çevrimsel yüklemeli perde duvar deneylerini içeren geniş kapsamlı bir veri tabanı oluşturulmuş ve çeşitli perde parametrelerinin (geometri, donatı oranları, eksenel yük, yükleme şekli vb.) enerji sönümleme davranışı üzerindeki etkileri incelenmiştir. Ayrıca, meta-modelleme yöntemleri kullanılarak enerji sönümleme davranışının kestirilmesine yönelik bağıntılar geliştirilmiş; meta-modelleme tekniği olarak oldukça başarılı bir yöntem olan ve analitik bir fonksiyon üretebilen Yüksek Boyutlu Model Gösterilimi (YBMG) yöntemi kullanılmıştır. Önerilen YBMG tabanlı tahmin modeli, aynı anda hem yüksek doğruluklu (R2 = 0.93, tahmini/gerçek değer oranı = 0.99) hem de transparan (kapalı kutu olmayan) bir model olması yönleriyle ön plana çıkmaktadır. Tasarım açısından bakıldığında, enerji sönümleme kapasitesi gerçeğe yakın bir şekilde kestirildiğinde, perde tasarımı sırasında farklı detaylandırma seçeneklerinin sönümlenen enerji açısından değerlendirilmesi anlamında değerli olacaktır. Mevcut binaların değerlendirilmesi ve hasar analizi açısından ise, çalışma sonuçları sönümlenen enerjiyle yakından ilişkili olan yapısal hasar konusunda bilgi verecektir.

Anahtar Kelimeler

betonarme perde duvar, yapısal enerji sönümleme, Yüksek Boyutlu Model Gösterilimi, YBMG.

Destekleyen Kurum

TÜBİTAK

Proje Numarası

218M535

Teşekkür

Bu çalışmayı 218M535 numaralı proje kapsamında destekleyen Türkiye Bilimsel ve Teknolojik Araştırma Kurumu’na (TÜBİTAK) ve emeklerinden dolayı Berkay Topaloğlu ve Siamak Tahaei Yaghoubi’ye teşekkür ederiz. Bu çalışmada bahsi geçen görüşler sadece yazarlara aittir ve başka hiçbir organizasyon ve kişiyi temsil etmemektedir.

Kaynakça

• Bertero VV, Uang CM., Issues and future directions in the use of an energy approach for seismic resistant design of structures, Nonlinear seismic analysis and design of reinforced concrete buildings. 20:3-22, 1992.
• Housner G.W., Limit design of structures to resist earthquakes, Proceedings of the 1st World Conference on Earthquake Engineering, (s. 1-13). Berkeley, California, 1956.
• McKevitt W.E., Anderson D.L., Cherry S., Hysteretic energy spectra in seismic design, 2nd World Conference on Earthquake Engineering, 7, s. 487-494. Tokyo, Japan, 1980.
• Akiyama H., Earthquake‐resistant limit‐state design for buildings. University of Tokyo Press, 1985.
• Zhang S. ve Wang G., Effects of near-fault and far-fault ground motions on nonlinear dynamic response and seismic damage of concrete gravity dams, Soil Dyn and Earthquake Eng, 53, 217–229, 2013.
• Barnard P.R. ve Schwaighofer J., The interaction of shear walls connected solely through slabs, Tall Buildings, 157-180, Southampton, England, 1966.
• Sittipunt C. ve Wood S.L., Influence of web reinforcement on the cyclic response of structural walls, ACI Structural Journal, 92(6), 745-756, 1995.
• Hidalgo P.A., Ledezma C.A., Jordan R.M., Seismic behavior of squat reinforced concrete shear walls, Earthquake Spectra (2), 287–308, 2002.
• Reich Y., Machine Learning Techniques for Civil Engineering Problems, Computer-Aided Civil and Infrastructure Engineering, 12(4), 295-310, 1996.
• Huang Y., Li J., Fu J., Review on application of artificial intelligence in civil engineering, Computer Modeling in Engineering Sciences, 121(3), 845-875, 2019.
• Jeon J.-S., Shafieezadeh A., DesRoches R., Statistical models for shear strength of RC beam-column joints using machine-learning techniques, Earthquake Engıneering Structural Dynamics, 43, 2075–2095, 2014.
• Cascardi A., Micelli F., Aiello M., Analytical model based on artificial neural network for masonry shear, Composites Part B, 95, 252-263, 2016.
• Cascardi A., Micelli F., Aiello M., An Artificial Neural Networks model for the prediction of the compressive strength of FRP-confined concrete circular columns, Eng Str, 140, 199–208, 2017.
• Vu D.-T. ve Hoang N.-D., Punching shear capacity estimation of FRP-reinforced concrete slabs using a hybrid machine learning approach, Structure and Infrastructure Engineering, 12(9), 1153–1161, 2016.
• Song I., Cho I.H., Wong R.K., An Advanced Statistical Approach to Data-Driven Earthquake Engineering, Journal of Earthquake Engineering, 24(8), 1245-1269, 2020.
• Deger Z.T. ve Basdogan C, Empirical Equations for Shear Strength of Conventional Reinforced Concrete Shear Walls, ACI Structural Journal, 118(2), 61-71, 2021.
• Zhang Y., Burton H.V., Sun H., Shokrabadi M., A machine learning framework for assessing post-earthquake structural safety” Structural Safety, 72, 1–16, 2018.
• Mangalathu S. ve Jeon J.S., Classification of failure mode and prediction of shear strength for reinforced concrete beam-column joints using machine learning techniques, Engineering Structures, 160, 85–94, 2018.
• Huang, H., Burton, H. V., Classification of in-plane failure modes for reinforced concrete frames with infills using machine learning. Journal of Building Engineering, 25, 100767, 2019.
• Siam A., Ezzeldin M., El-Dakhakhni W., Machine learning algorithms for structural performance classifications and predictions: Application to reinforced masonry shear walls, Structures, 22, 252–265, 2019.
• Mangalathu S., Jang H., Hwang S.-H., Jeon J.-S., Data-driven machine-learning-based seismic failure mode identification of reinforced concrete shear walls, Engineering Structures, 208, 2020.
• Deger Z.T. ve Taskin Kaya, G., Glass-box model representation of seismic failure mode prediction for conventional reinforced concrete shear walls. Neural Computing and Applications, 1-13, 2022.
• Usta, M., Shear strength of structural walls subjected to load cycles., PhD diss., Purdue University, 2017.
• SERIES Data Access Portal, http://www.dap.series.upatras.gr/. Erişim tarihi: 17.05.2022.
• Ali A., Wight J. K., RC structural walls with staggered door openings, J Str Eng, 117, 1514-1531, 1991.
• Sobol' I.Y.M., On sensitivity estimation for nonlinear mathematical models. Matematicheskoe modelirovanie, 2(1), pp.112-118, 1990.
• Rabitz H ve Aliş Ö.F., General foundations of high‐dimensional model representations, Journal of Mathematical Chemistry, 25(2), pp.197-233, 1999.
• Taskin G. ve Crawford M. M., An Out-of-Sample Extension to Manifold Learning via Meta-Modeling, IEEE Trans. Image Process. 28, 5227–5237, 2019.
• Saltelli A., Ratto M., Andres T., Campolongo F., Cariboni J., Gatelli D., Saisana M., Tarantola S., Global sensitivity analysis: the primer, John Wiley & Sons, 2008.
• Jiang Y, Cukic B, Menzies T., Can data transformation help in the detection of fault-prone modules?, Proceedings of the 2008 workshop on defects in large software systems, DEFECTS ’08, 16–20, 2008.
• Box G. ve Cox D., An Analysis of Transformations. Journal of the Royal Statistical Society, Series B (Methodological), 26, 211-252, 1964.