DEPREM ETKİSİ ALTINDAKİ BETONARME KİRİŞSİZ PLAK DÖŞEMELERİN EĞİLME MOMENTLERİNİN YSA ANALİZİ İLE TAHMİN EDİLMESİ

Öz

   Bu çalışmada yatay kuvvetler altında betonarme kirişsiz plak döşemeli yapılardan elde edilen döşeme eğilme momentlerinin çok katmanlı yapay sinir ağları ile analizi yapılmıştır. Analiz sonucunda kirişsiz plak döşemelerin tasarımına esas olan döşeme momentlerinin bulunması hedeflenmiştir. Yapay sinir ağları (YSA) ile analiz yönteminde, yapıyla ilgili seçilen giriş verilerindeki değişkenler, kat yükseklikleri, döşeme kalınlıkları, deprem kuvvetleri, aks aralıkları ve kolon boyutlarıdır. Çıkış verisi olarak ise döşeme sonuç tasarım momentleri kullanılmıştır. Bu verileri üretmek için sonlu elemanlar yöntemini kullanan SAP2000 yazılımında dört katlı on adet yapı analiz edilmiştir. Bu verileri işlemek için ise MATLAB yazılımındaki Levenberg-Marquardt algoritmasından yararlanılmıştır. Buna göre %98,2’lik bir yakınlık elde edilerek YSA analiz sonuçlarının gerçek tasarım momentleri ile arasında büyük bir farklılığın oluşmadığı görülmüştür. Sonuç olarak betonarme kirişsiz plak döşemelerin tasarım momentlerinin bulunmasında YSA ’dan faydalanılması hızlı ve güvenilir sonuçlar elde edebilmek için avantaj sağlamaktadır.

Anahtar Kelimeler

• Deprem etkisi,Betonarme yapılar,Kirişsiz plak döşemeler,Sonlu elemanlar yöntemi,Yapay sinir ağları

ESTIMATION OF DESIGN BENDING MOMENTS OF RC FLAT SLABS UNDER EARTHQUAKE EFFECT BY ANN ANALYSIS

Öz

   In this study, the bending moments obtained from reinforced concrete flat slab structures under the influence of horizontal forces were analysed by multi-layer artificial neural networks (ANN). In the analysis method with ANN, the variables in the input data related to the structure are storey heights, slab thickness, earthquake forces, axles spacing and column dimensions. As the output data, the resultant bending moments of the slabs were used. In SAP2000 generate this data, ten structures with four storeys were analysed. The Levenberg-Marquardt algorithm in MATLAB software was used to process this data. Accordingly, a proximity of 98.2% was obtained and it was observed that there was no significant difference between ANN analysis results and actual design bending moments. As a result, the use of ANN in the detection of design moments of reinforced concrete flat slabs can be evaluated as advantageous in terms of obtaining fast and reliable results.

Anahtar Kelimeler

• Earthquake effect,reinforced concrete structures,flat slabs,finite element method,artificial neural networks

Kaynakça

1. KAYNAKLAR
2. [1] ÜNLÜOĞLU, E., Kirişsiz Döşemeli Sistemlerde Yatay Kuvvetler Etkisi Altında Rijitlik Değerlerinin Araştırılması. T.C. Anadolu Üniversitesi Yayınları No:344, Mühendislik Mimarlık Fakültesi Yayınları No:47, Eskişehir, Türkiye, 1985.
3. [2] ÖZSOY, İ., FIRAT, M., “Kirişsiz Döşemeli Betonarme bir Binada Oluşan Yatay Deplasmanın Yapay Sinir Ağları ile Tahmini”, DEÜ Mühendislik Fakültesi Fen ve Mühendislik Dergisi, 6(1), 51-63, 2004.
4. [3] KIM, H.S., LEE, D.G., “Efficient analysis of flat slab structures subjected to lateral loads”, Engineering structures, 27(2), 251-263, 2005.
5. [4] SAĞLIYAN, S., ERDOĞAN, A.S., KARATON, M., “The effect of dimensional parameters on the behavior of reinforced concrete slabs with continuous drop panel”, Engineering sciences, 6(2), 497-506, 2011.
6. [5] BENAVENT-CLIMENT, A., ZAMORA-SÁNCHEZ, D., GIL-VILLAVERDE, J.F. “Experimental study on the effective width of flat slab structures under dynamic seismic loading”, Engineering Structures, 40, 361-370, 2012.
7. [6] PRIYA, K.S., DURGABHAVANI, T., MOUNIKA, K., NAGESWARI, M., POLURAJU, P., “Non-linear pushover analysis of flat slab building by using SAP2000”, International Journal of Recent Technology and Engineering (IJRTE), 1(1), 29-33, 2012.
8. [7] BHINA, M.R., BANERJEE, A., PAUL, D.K., “Assessment of different aspects of RC flat-slab building over normal RC frame building”, International Conference on Structural Engineering and Construction Management, At Sri Lanka, 2013.

9. [8] QIAN, K., LI, B., “Dynamic disproportionate collapse in flat-slab structures”, Journal of Performance of Constructed Facilities, 29(5), B4014005, 2014.
10. [9] QIAN, K., LI, B., “Load-resisting mechanism to mitigate progressive collapse of flat slab structures”, Magazine of concrete research, 67(7), 349-363, 2015.
11. [10] CHOI, K.K., KIM, J.C., “Nonlinear model simulating load- deformation relationship of flat plate structures”, Engineering Structures, 85, 26-35, 2015.
12. [11] YOUSSEF, M.A., CHOWDHURY, A.O., MESHALY, M.E., “Seismic capacity of reinforced concrete interior flat plate connections”, Bulletin of Earthquake Engineering, 13(3), 827-840, 2015.
13. [12] HAYKIN, S., Neural networks, a comprehensive foundation, Mc Master University, Mac Col Publishers Company, New York, USA, 1994.
14. [13] LEVENBERG, K., “A Method for the Solution of Certain Problems in Least Squares”, Quarterly Journal of Applied Mathematics 2(2), 164-168, 1944.
15. [14] MARQUARDT, M., “An Algorithm for Least-Squares Estimation of Nonlinear Parameters”. Journal of the Society of Industrial and Applied Mathematics 11(2), 431-441, 1963.
16. [15] ÖZBAYRAK, A., Kirişsiz Döşemeli Betonarme Yapıların Yatay Kuvvetler Altında Rijitlik Değerlerinin Yapay Sinir Ağları ile Analizi, Yüksek Lisans Tezi, ERÜ, Fen Bilimleri Enstitüsü, Kayseri, 2008.
17. [16] SAP2000 v8 Educational Version, Computers and Structures Inc., Berkeley, California, USA, 2004.
18. [17] MATLAB 5.3., The Math Works Inc., Neural Networks Toolbox for Use MATLAB User’s Guide, 1999.