BETONARME SÜREKLİ KİRİŞLERDE OPTİMAL KESİT VE DONATI ORANLARININ PARÇACIK SÜRÜ OPTİMİZASYON ALGORİTMASI İLE BELİRLENMESİ

Yıl 2022, Cilt: 10 Sayı: 4, 923 - 940, 03.12.2022

Mehmet K. Derdiman

https://doi.org/10.36306/konjes.1139694

Cited By: 1

Öz

Tüm dünyada mühendislik tasarımları için optimizasyon giderek büyük bir önem kazanmaktadır. Betonarme taşıyıcı sistem elemanlarında da optimal tasarımlar hem performans hem de ekonomi açısından çok önemlidir. Betonarme yapı elemanlarının ekonomik olarak tasarımı, boyutların belirlenmesinde izlenen prosedür gereği ve yönetmeliklerdeki koşul ve kısıtlamalardan dolayı karmaşık bir tasarım zorluğuna sahiptir. Ayrıca kesit boyutlarının tercihinde çok sayıda alternatif mevcuttur. Kesit tercihleri genelde deneyime dayalı ön boyut seçimi ile belirlenir ve ekonomik olmayan kesitler ortaya çıkar. Bunun yanında kesitte yer alan beton ve donatının birim fiyatları ve birbirine oranı zaman zaman değişmekte, bu da ekonomik kesit boyutlarını etkilemektedir. Bu çalışmada sürekli kirişlerde yer alan ve ön boyutlamada genelde esas alınan bir iç kirişin TS500 hesap yöntemleri ve kısıtları ile değişen tasarım yükleri ve beton sınıfları altında optimum kesit boyutları ve donatı oranlarının belirlenmesi için optimizasyon analizi yapılmıştır. Optimizasyonda çok kullanılan ve yaygın şekilde bilinen metasezgisel yaklaşımlardan parçacık sürü optimizasyon algoritması (PSO) kullanılmıştır. Çalışmada bir sürekli kirişin iç (ara) kirişi ele alınmıştır. Farklı beton sınıfları ve değişen tasarım yükleri ve kiriş boyları altında çok sayıda model oluşturulmuş ve optimizasyonu gerçekleştirilmiştir. Modellerin her biri için kesit boyutları ve donatı kesit alanları minimum maliyeti verecek şekilde optimize edilmiştir. Analiz sonuçlarında değişen kiriş boyu ve tasarım yükleri altında beton sınıflarına bağlı olarak kiriş kesit ve donatı oranlarındaki değişim belirlenmiştir.

Anahtar Kelimeler

Optimal Kiriş Kesiti, Optimal Donatı oranı, Kiriş optimizasyonu, Parçacık Sürü Optimizasyonu (PSO)

Determination Of Optimal Cross-Section and Reinforcement Ratios in RC Continuous Beams by Particle Swarm Optimization Algorithm

Öz

Optimization is becoming increasingly important for engineering designs all over the world. Optimal designs in reinforced concrete structural system elements are also very important in terms of both performance and economy. The economical design of reinforced concrete structural elements has a complex design challenge due to the procedure followed in determining the dimensions and due to the conditions and restrictions in the regulations. In addition, there are many alternatives in the choice of cross-section dimensions. Cross-sectional preferences are usually determined by pre-size selection based on experience, and uneconomical cross-sections arise. In addition, the unit prices and the ratio of the concrete and reinforcement contained in the cross section to each other change from time to time, which affects the economic dimensions of the cross section. In this study, optimization analysis was performed to determine the optimum section dimensions and reinforcement ratios with TS500 calculation methods and constraints of an inner beam in continuous beams, which is generally taken as a basis for pre-sizing. Particle swarm optimization algorithm (PSO), one of the widely used and widely known metaheuristics, is used in optimization. In the study, the inner beam of a continuous beam is considered. A large number of models have been created and optimized under different classes of concrete and varying design loads and beam lengths. For each of the models, the cross-sectional dimensions and the cross-sectional areas of the reinforcement are optimized to give the minimum cost. In the results of the analysis, the change in the cross-section and reinforcement ratios of the beams was determined depending on the concrete classes under varying beam length and design loads.

Anahtar Kelimeler

Optimal Beam Section, Optimal reinforcement ratio, Beam optimization, Particle swarm optimization, Parçacık Sürü Optimizasyonu (PSO)

Kaynakça

• AFAD, 2018, Türk Bina Deprem Yönetmeliği (Deprem Etkisi Altında Binaların Tasarımı İçin Esaslar), Ankara.
• Algedra, M., Arafa, M., Ismail, M., 2011, Optimum Cost of Prestressed and Reinforced Concrete Beams using Genetic Algorithms, Journal of Artificial Intelligence 4, 76–88.
• Altunbey Özbay, F., Özbay, E., 2021, Martı Optimizasyon Algoritmasının Kısıtlı Mühendislik Tasarım Problemleri için Performans Analizi, Adıyaman Üniversitesi Mühendislik Bilimleri Dergisi 15, 469–485.
• Arora, J., 2012, Introduction to Optimum Design, 2nd ed. Elsevier Ltd., California.
• Camp, C. V., Pezeshk, S., Hansson, H., 2003, Flexural Design of Reinforced Concrete Frames Using a Genetic Algorithm, Journal of Structural Engineering 129, 105–115.
• Çevre ve Şehircilik Bakanlığı, 2022, İnşaat Birim Fiyatlarına Esas İşçilik-Araç ve Gereç Rayiç Listeleri, Çevre ve Şehircilik Bakanlığı, Ankara.
• Coello, C.C., Hernández, F.S., Farrera, F.A., 1997, Optimal design of reinforced concrete beams using genetic algorithms. Expert Systems with Applications 12, 101–108.
• Derdiman, M.K., 2022a, Betonarme ön üretimli makas kirişlerin değişen tasarım momentleri altında beton dayanımlarına bağlı optimal kesit değerlerinin belirlenmesi, Pamukkale Üniversitesi Mühendislik Bilimleri Dergisi 28, 409–418.
• Derdiman, M.K., 2022b, Ayrık PSO algoritması ile sehim kısıtı altında iki doğrultudaki kirişli döşemelerin güvenilirlik tabanlı optimizasyonu, El-Cezeri Fen ve Mühendislik Dergisi 9, 1, 2022 (49–64).
• Eberhart, R., Kennedy, J., New optimizer using particle swarm theory, MHS'95. Proceedings of the Sixth International Symposium on Micro Machine and Human Science, Nagoya, Japan, 39–43, 04-06 October 1995.
• El Hami, A., Radi, B., 2013, Uncertainty and optimization in structural mechanics, John Wiley & Sons, Inc., London.
• Ersoy, U., Özcebe, G., Canbay, E., 2019, Betonarme : Davranış ve Hesap İlkeleri, Evrim Kitapevi, İstanbul. Haug, E.J., Kirmser, P.G., 1964, Minimum weight design of beams with inequality constraints on stress and deflection, Journal of Applied Mechanics, Transactions ASME 34, 999–1004.
• Kaveh, A., 2017, Applications of Metaheuristic Optimization Algorithms in Civil Engineering, Springer Nature, Cham, Switzerland.
• Kim, S.H., Kwak, H.G., 2022, Optimization of an RC frame structure based on a plastic analysis and direct search of a section database, Journal of Building Engineering 48, 103959.
• Kirsch, U., 1973, Optimized prestressing by linear programming, International Journal for Numerical Methods in Engineering 7, 125–136.
• Kirsch, U., 1972, Optimum design of prestressed beams, Computers and Structures 2, 573–583.
• Koumousis, V.K., Arsenis, S.J., 1998, Genetic algorithms in optimal detailed design of reinforced concrete members, Computer-Aided Civil and Infrastructure Engineering 13, 43–52.
• Kripka, M., Medeiros, G.F., Lemonge, A.C.C., 2015, Use of optimization for automatic grouping of beam cross-section dimensions in reinforced concrete building structures, Engineering Structures 99, 311–318.
• Li, L., Liu, F., 2011, Group Search Optimization for Applications in Structural Design, Springer International Publishing, Berlin.
• Malasri, S., Halijan, D., Keough, M., 1994, Concrete Beam Design Optimization with Genetic Algorithms, Journal of the Arkansas Academy of Science 48, 111–115.
• Mathern, A., Steinholtz, O.S., Sjöberg, A., Önnheim, M., Ek, K., Rempling, R., Gustavsson, E., Jirstrand, M., 2020, Multi-objective constrained Bayesian optimization for structural design, Structural and Multidisciplinary Optimization 63, 689–701.
• Okwu, M.O., Tartibu, L.K., 2021, Metaheuristic Optimization : Nature-Inspired Algorithms Swarm and Computational Intelligence , Theory and Applications, Springe Na, Cham, Switzerland.
• Prathabrao, M., Nawawi, A., Sidek, N.A., "Swarm size and iteration number effects to the performance of PSO algorithm in RFID tag coverage optimization", 7th International Conference on Mechanical and Manufacturing Engineering, Jogjakarta, Indonesia, AIP Conf. Proc. 1831, 020051-1–020051-6, 21-April 2017.
• Python Software Foundation, Python [WWW Document], URL http://www.python.org, ziyaret tarihi: 5.1.21.
• Sheikhalishahi, M., Ebrahimipour, V., Shiri, H., Zaman, H., Jeihoonian, M., 2013, A hybrid GA-PSO approach for reliability optimization in redundancy allocation problem, International Journal of Advanced Manufacturing Technology 68, 317–338.
• Shukla, A., Tiwari, R., 2018, Discrete Problems in Nature Inspired Algorithms, CRC Press Taylor & Francis Group, London.
• The NumPy Project and Community, NumPy [WWW Document], URL https://numpy.org, ziyaret tarihi: 5.1.21.
• Topçu, A., 2019a, Betonarme II, Eskişehir Osmangazi Üniversitesi, Eskişehir.
• Topçu, A., 2019b, Betonarme I, Eskişehir Osmangazi Üniversitesi, Eskişehir.
• TSE, 2000, TS 500: Betonarme Yapıların Tasarım ve Yapım Kuralları, Türk Standartları Enstitüsü, Ankara.
• TSE, 1997, TS 498: Yapi Elemanlarinin Boyutlandirilmasinda Alinacak Yüklerin Hesap Değerleri, Türk Standartları Enstitüsü, Ankara.
• Tsompanakis, Y., Lagaros, N.D., Papadrakakis, M., 2008, Structural design optimization considering uncertainties, Taylor & Francis, Balkema.
• Turgut, P., Gürel, M.A., Arslan, A., "Genetik Algoritma ile Betonarme Bir Kirişin Optimum Tasarımı", İstanbul Teknik Üniversitesi Prof.Dr. A. Rifat Yarar Sempozyumu, Maslak, İstanbul, pp. 349–361, 10 Aralık 1997.
• Vasuki, A., 2020, Nature-Inspired Optimization Algorithms, Taylor & Francis, Oxford.
• Yang, X.S., 2018, "Mathematical Analysis of Nature-Inspired Algorithms", Nature-Inspired Algorithms and Applied Optimization, Ed.:Yang, X.S., Springer, London, p. 330.
• Yang, X.S., 2014, Nature-Inspired Optimization Algorithms, First. ed., Elsevier, London.
• Yang, X.S., He, X.S., 2019, Mathematical Foundations of Algorithms, Springer, Switzerland.
• Yang, X.S., Karamanoglu, M., 2020, "Nature-inspired computation and swarm intelligence: a state-of-the-art overview", Nature-Inspired Swarm Intelligence Computation and Algorithms, Theory and Applications, Ed.: Yang, X.S., Oxford, United Kingdom, pp. 3–18.
• Yousef, A.H., Salama, C., Jad, M.Y., El-Gafy, T., Matar, M., Habashi, S.S., "A GPU based genetic algorithm solution for the timetabling problem", ICCES 2016 - 11th International Conference on Computer Engineering and Systems, Cairo, Egypt, pp. 103–109, December 2016.
• Zolghadr-Asli, B., Bozorg-Haddad, O., Chu, X., 2018, "Advanced Optimization by Nature-Inspired Algorithms", Studies in Computational Intelligence, Vol. 720, Ed.: Bozorg-Haddad, O., Singapore, p. 166.