Eğik Eğilme Etkisindeki Betonarme Kolonların Moment-Eğrilik İlişkisi için Yapay Sinir Ağ Modeli

Yıl 2022, , 1167 - 1183, 01.10.2022

Gökhan Barış Sakcalı , İsa Yüksel

https://doi.org/10.2339/politeknik.764745

Öz

Yapı sistemlerin doğrusal olmayan analizinde kesit analizi, önemli bir yer tutar. Betonarme kesitlerin analizi, çok sayıda değişkene ve doğrusal olmayan malzeme modeline bağlı olarak, karmaşık iterasyon yöntemleriyle gerçekleştirilir. Bu nedenle, moment-eğrilik bağıntısının el hesabıyla yapılması pratik değildir. Kesit analizi yapabilen programların ortaya çıkmasıyla ve bazı programlara da kesit analizi yapabilme özelliği eklenerek bu sorun bir ölçüde çözümlenmiştir. Bu çalışmada, eksenel yük ve eğik eğilme etkisindeki betonarme dikdörtgen kesitlerin analizini gerçekleştirebilen bir program geliştirilmiştir. Bu programla farklı kesit özelliklerine sahip kolonların kesit analizi gerçekleştirilmiş ve moment-eğrilik ilişkileri belirlenmiştir. Bu ilişkiler pekleşmesiz ikili doğrusal moment-eğrilik ilişkisine dönüştürülmüştür. Bu ilişki kullanılarak; kesitin akma eğriliği, göçme eğriliği ve akma momenti belirlenmiştir. Bu bilgiler ışığında, girdi ve çıktı parametreleri kullanılarak bir YSA modeli eğitilmiştir. Eğitimin ardından, analitik ve YSA modeli karşılaştırılmıştır. Sonuç olarak, eğik eğilme altındaki dikdörtgen kesitli betonarme kolonların moment-eğrilik ilişkisini belirleyebilen YSA modeli önerilmiştir.

Anahtar Kelimeler

Kesit analizi, moment-eğrilik, yapay sinir ağı

An Artificial Neural Network Model for Moment-Curvature Relationship of RC Columns Subjected to Biaxial Bending

Öz

Cross-section analysis have an important place in nonlinear analysis of building systems. Analysis of reinforced concrete (RC) sections is carried out by complex iteration methods, depending on a large number of variables and nonlinear material models. Therefore, it is not practical to perform the moment-curvature relation by hand calculation. This problem has been solved to some extent with the development of discrete softwares performing cross section analysis, and the upskill to perform cross section analysis of some softwares. In this paper, a program has been developed that can analyze RC rectangular sections under the effect of axial load and biaxial bending. With this program, cross-section analysis of columns with varying cross-section properties was performed and moment-curvature relations were determined. These relations were transformed into a bi-linear moment-curvature relationship ignoring strain-hardening effect. Then yield curvature, failure curvature, and yield moment of the cross section were determined using these relationship. In the light of these data, an ANN model was trained by using input and output parameters. The results of analytical and the trained ANN model were compared. As a result, an ANN model is proposed to determine the relation of the moment-curvature of RC rectangular columns under biaxial bending.

Anahtar Kelimeler

Cross section analysis, moment-curvature, artificial neural network

Kaynakça

• [1] Alyamaç K.E., Erdoğan A.S.., “Geçmişten günümüze afet yönetmelikleri ve uygulamada karşılaşılan tasarım hataları”, Deprem Sempozyumu, Kocaeli, 707-715 (2005).
• [2] Otani, S., “Nonlinear dynamic analysis of reinforced concrete building structures” Canadian Journal of Civil Engineering, 7(2):333-44, (1980).
• [3] Fahjan Y.M., Kubin J.,Tan M.T., “Nonlinear analysis methods for reinforced concrete buildings with shear walls.” In 14th European Conference on Earthquake Engineering, (2010).
• [4] Ersoy, U., Özcebe, G., “Betonarme 1”, İSBN: 978-975-503-215-31, Evrim Yayınevi ve Bilgisayar San. Tic. Ltd. Şti, İstanbul, (2012).
• [5] Çağlar, N., Akkaya, A., Demir, A., Öztürk, H., “Farklı kesit geometrilerine sahip betonarme kolonların davranışının incelenmesi”, ISITES2014, 2095-105, Karabük, (2014).
• [6] Yüksel, S. B., Jamal, R., Foroughi, S. “Kirişlerde basınç donatısı oranının moment-eğrilik ilişkisine etkisi”, Konya Mühendislik Bilimleri Dergisi, 8(1), 1-17., (2020).
• [7] Kaltakcı, M.Y., Korkmaz, H.H., Korkmaz, S.Z. “Basit eğilme etkisindeki betonarme elemanların moment-eğrilik ve tasarım değişkenleri üzerine analitik bir inceleme”, Pamukkale Üniversitesi Mühendislik Bilimleri Dergisi, 7(1), 71-80, (2011).
• [8] “Türkiye Bina Deprem Yönetmeliği”, Afet ve Acil Durum Yönetimi Başkanlığı, Ankara, (2018).
• [9] Arslan, M.H., “Estimation of curvature and displacement ductility in reinforced concrete buildings”, KSCE Journal of Civil Engineering, 16(5), 759-70, (2012).
• [10] Dok G., Ozturk, H., Demir, A., “Determining moment-curvature relationship of reinforced concrete columns”, The Eurasia Proceedings of Science Technology Engineering and Mathematics, (1), 52-58, (2017).
• [11] Wu, Y.F., Oehlers, D.J., Griffith, M.C., “Rational definition of the flexural deformation capacity of RC column sections”, Engineering Structures, 26(5), 641-50, (2004).
• [12] (Sanad, A., Saka, M.P., “Prediction of ultimate shear strength of reinforced-concrete deep beams using neural networks”, Journal of structural engineering, 127(7), 818-88. (2001).
• [13] Keleşoğlu, Ö., “Yapay Sinir ağları ile betonarme kiriş kesitlerin analizi”, Teknik Dergi, 17(83), (2006).
• [14] Budak, A., CAN, İ., “Betonarme kolon kesitlerinin hesabı için yapay sinir ağları ile geliştirilen yeni formüller”, Pamukkale Üniversitesi Mühendislik Bilimleri Dergisi, 11(2), 183-91, (2005).
• [15] Caglar, N., “Neural network based approach for determining the shear strength of circular reinforced concrete columns” Construction and Building Materials, 23(10), 3225-32. (2009).
• [16] Koçer, M., Öztürk, M., Arslan, M.H., “Determination of moment, shear and ductility capacities of spiral columns using an artificial neural network” Journal of Building Engineering, 26, 100878, (2019).
• [17] Civalek, Ö. “Betonarme elemanlardaki zamana bağlı deformasyonların yapay sinir ağları ile analizi”, Pamukkale Üniversitesi Mühendislik Bilimleri Dergisi, 3(2), 331-35, (1997).
• [18] Mangalathu, S., Jeon, J. S., “Machine learning–based failure mode recognition of circular reinforced concrete bridge columns: comparative study.” Journal of Structural Engineering, 145(10), 04019104, (2019).
• [19] Caglar, N., Elmas, M., Yaman, Z. D., Saribiyik, M., “Neural networks in 3-dimensional dynamic analysis of reinforced concrete buildings”, Construction and Building Materials, 22(5), 788-800, (2008).
• [20] Bayraktar, A.N., ÖZKAL, F.M. “Yapay sinir ağları kullanılarak betonarme binalarda yumuşak kat düzensizliklerinin tespiti”, International Academic Research Congress, 202-9, (2016).
• [21] Kömür, M. A., Çağlar, N., Elmas, M. “Betonarme düzlem çerçeve sistemlerin itme analizinde yapay sinir ağları”, http://samsun.imo.org.tr/resimler/ekutuphane.
• [22] Kelesoglu, Ö., “Yapay sinir ağları ile kısa konsolların donatı tayini”, Engineering Sciences, 4(3), 404-13, (2019).
• [23] Özbayrak, A (2019), “Deprem etkisi altındaki betonarme kirişsiz döşemelerin eğilme momentlerinin ysa analizi ile tahmin edilmesi”, Niğde Ömer Halisdemir Üniversitesi Mühendislik Bilimleri Dergisi, 8(2), 979-91, (2019).
• [24] Jadid, M.N., Fairbairn, D.R., “Neural-network applications in predicting moment-curvature parameters from experimental data”, Engineering Applications of Artificial Intelligence, 9(3), 309-19, (1996).
• [25] Jakubek, M., “Neural network prediction of load capacity for eccentrically loaded reinforced concrete column”, Computer Assisted Methods in Engineering and Science, 19(4), 339-49, (2017).
• [26] Çağlar N., Elmas M., Demir A., Akkaya A., Öztürk H., “Betonarme Kesitlerdeki Moment Eğrilik İlişkisinin Yapay Sinir Ağları ile İrdelenmesi” Presented at the International Science Technology Conference, 1019-29, (2013).
• [27] Bağcı M., “Neural network model for moment-curvature relationship of reinforced concrete sections” Mathematical and Computational Applications, 15(1):66-78, (2010).
• [28] Hognestad E., “A study of combined bending and axial load in reinforced concrete members”, University of Illinois Bulletin, 49 (22), (1951).
• [29] Kent D.C., Park R., “Flexural members with confined concrete”, Journal of the Structural Division, 97:ST7:1969-90, (1971).
• [30] Saatcioglu, M., Razvi S.R., “Strength and Ductility of Confined Concrete”, Journal of Structural Engineering, 108(12):2703-23, (1992).
• [31] Sheikh, S.A., Uzumeri, S.M, “Analytical model for concrete confinement in tied columns” Journal of Structural Engineering, 118(6):1590-607, (1982).
• [32] Thompson, K.J., Park, R., “Moment-curvature behaviour of cyclically loaded structural concrete member”, Proceedings of the Institution of Civil Engineers, 69 (2):317-41, (1980).
• [33] Mander, J.B., Priestley, M.J.N., Park, R. “Theoretical Stress-Strain Model for Confined Concrete”, Journal of Structural Division (ASCE), 114(8):1804-26, (1988).
• [34] Türkiye Bina Deprem Yönetmeliği, Afet ve Acil Durum Yönetimi Başkanlığı, Ankara, (2018).
• [35] “Deprem Bölgelerinde Yapılacak Binalar Hakkında Yönetmelik", T. C. Bayındırlık ve İskan Bakanlığı, Afet İşleri Genel Müdürlüğü, (2007).
• [36] Mander J.B., “Seismic design of bridge piers”, PhD Thesis, University of Canterbury, Christchurch, New Zealand, (1984).
• [37] MATLAB, The language of technical computing, The Mathworks Inc., Natick, MA, (2014).
• [38] XTRACT V3.05. Cross-sectional X sTRuctural Analysis of ComponenTs. Imbsen Software Systems. Sacremento, CA 85827, USA, (2006).