Strength Prediction of Reinforced Concrete Beam-Column Joints through Machine Learning
Linked Agent
Ajmal, Muhammad , Thesis advisor
Date Issued
2024
Language
English
Extent
[2], 23, 175, [25] pages
Subject
Place of institution
Sakhir, Bahrain
Thesis Type
Thesis (Master)
Institution
UNIVERSITY OF BAHRAIN ,College of Engineering ,Department of Civil Engineering
English Abstract
Abstract :
Recent destructive earthquakes like the Indian Ocean earthquake and tsunami
(2004) in Indonesia, the earthquake and tsunami Sichuan (2008) in China, the Tōhoku
earthquake and tsunami in Japan (2011), the Gorkha earthquake and tsunami in Nepal
(2015), and the Turkey–Syria earthquakes (2023) in Turkey and Syria have
demonstrated structural deficiencies that have caused significant loss of life and
economic damage. Most of these buildings were lacked in seismic reinforcement and
had poor seismic designs. Inadequate seismic reinforcement in beam-column joints,
load-bearing walls, and columns are the major source of damage in reinforced concrete
structures during seismic event.
Most reinforced concrete (RC) buildings built in the 1980s were not seismically
detailed; instead, they were designed for gravity loads. In seismically active areas, these
kinds of structures are widely accessible worldwide. Beam column joints play an
essential role in integrating structural systems in reinforced concrete structures. Beamcolumn joints (BCJs) are critical components in reinforced concrete (RC) structures,
which undergo high stress under seismic events. The shear strength of these joints needs
to be predicted to ensure the overall safety of structures during an earthquake event.
One of the greatest motivations for this study is to predict the shear strength of
such joints that have no seismic reinforcement. The use of machine learning (ML)
approaches in conjunction with finite element analysis (FEA) approaches has recently
seen a lot of interest from the research community. In this study, ML-ANN has been
utilized to predict the strength of RC-BCJs with a lack of seismic detailing. Developing
ANN model needs data for training, validation and testing the ANN model. Thus, data
is crucial for ANN models to perform better. In this study, data sets needed for the ANN
model have been generated using FEA software ABAQUS. Different BCJs were
simulated in ABAQUS, considering seven influential design parameters as inputs for
the ANN model. The input parameters used for the collection of data sets were column
depth, beam depth, concrete compressive strength, beam tension reinforcement total
area, beam tension reinforcement yield strength, axial column load as a ratio of its
capacity, and the joint area. The total number of 6480 BCJs were simulated in
ABAQUS and analyzed. After reviewing the results of FEM analysis flexure failure
samples were discarded and the samples with joint shear failure were considered only.
C
The total number of samples with joint failure was 4320, which has been used to
develop the proposed model. The data set of FEA samples was divided into three sets:
1) training set 70% (3024 samples), 2) testing set 15% (648 samples), and 3) validation
set 15% (648 samples). These sets were utilized to develop an ANN model to predict
the shear strength of RC-BCJ as an output variable. The performance of the proposed
ANN model was validated using the testing data set of 648. The proposed model
showed 95.6% accuracy in predicting the shear strength of the BCJ samples data. In
addition, the testing data was also compared to the ACI code equation along with the
ANN proposed model. It has been found that the proposed model accurately predicts
the shear strength of the exterior RC-BCJs as compared to the ACI equation. Moreover,
the shear strength of 80 BCJs collected from the literature was predicted through the
ANN model. It has been observed that the proposed ANN model accurately predicts
the shear strength of BCJs with an average accuracy of 91.5%.
Arabic Abstract
الملخص :
الزلازل المدمرة الأخيرة مثل زلزال وتسونامي المحيط الهندي (2004) في إندونيسيا، وزلزال وتسونامي سيتشوان (2008) في الصين، وزلزال وتسونامي توهوكو في اليابان (2011)، وزلزال وتسونامي جوركا في نيبال (2015)، والزلازل التي حدثت في تركيا وسوريا (2023) قد أظهرت أوجه قصور إنشائية في الهياكل حيث تسببت في خسائر كبيرة في الأرواح وأضرار اقتصادية. وكانت معظم هذه المباني تفتقر إلى التسليح الزلزالي وكانت تصاميمها الزلزالية ليست جيدة. يعتبر التسليح الزلزالي غير الكافي في العقد (BCJs) الموجودة في وصلات الأعمدة مع الجسور الحوائط الحاملة، والأعمدة هم المصادر الرئيسية للضرر في الهياكل الخرسانية المسلحة
خلال الحدث الزلزالي.
غالبية المباني الخرسانية المسلحة التي تم بناؤها في الثمانينيات لم تكن تحتوي على تسليح مرتبط بقوى الزلزال بدلاً من ذلك، تم تصميمها لأحمال الجاذبية. وفي المناطق النشطة زلزاليا، يوجد العديد من هذه الأنواع من الهياكل على نطاق واسع في جميع أنحاء العالم. تشكل العقد في مناطق اتصال العمود مع الجسور دورا مهما في تكامل الأنظمة الإنشائية في الهياكل الخرسانية المسلحة. تعتبر العقد في مناطق اتصال العمود مع الجسور أجزاء مهمة في الهياكل الخرسانية المسلحة حيث تخضع لضغوط عالية أثناء النشاط الزلزالي. يجب التنبؤ بقوة القص لهذه العقد لضمان السلامة العامة للهياكل أثناء حدوث الزلزال.
إن أحد أهم الدوافع لهذه الدراسة هو التنبؤ بقوة القص لهذه العقد التي ليس لها تسليح زلزالي. لقد شهد استخدام التعلم الآلي (ML) بالتزامن مع طريقة تحليل العناصر المنتهية (FEA) مؤخرا اهتماما كبيرا من مجتمع البحث. في هذه الدراسة، تم استخدام التعلم الآلي (ML) - الشبكة العصبونية الاصطناعية (ANN) للتنبؤ بقدرة تحمل العقد في الهياكل الخرسانية المسلحة التي لا تحتوي على كانات تسليح في مناطق اتصال العمود مع الجسور. يحتاج تطوير نموذج شبكة عصبونية اصطناعية للتنبؤ بقوة تحمل القص إلى بيانات للتدريب والتحقق من صحة واختبار النموذج. وبالتالي، تعد البيانات أمرًا ضروريًا لتقديم دقة أفضل في نموذج الشبكة العصبونية الاصطناعية. في هذه الدراسة، تم إنتاج مجموعات البيانات اللازمة لنموذج الشبكة العصبونية باستخدام برنامج العناصر المنتهية (ABAQUS) تمت محاكاة عدة عينات من وصلات الأعمدة مع الجسور في برنامج (ABAQUS) مع الأخذ في الاعتبار سبعة متغيرات متعلقة بتفاصيل التصميم حيث تم استخدامها كمدخلات النموذج الشبكة العصبونية الاصطناعية (ANN). السبع مدخلات هي عمق العمود وعمق الجسر، وقوة مقاومة الخرسانة للضغط، والمساحة الإجمالية لتسليح الشد في الجسر ، وقوة مقاومة الشد لحديد التسليح في الجسر، وحمل العمود المحوري، ومساحة العقدة في وصلة العمود مع الجسر العدد الإجمالي لعينات الوصلات الخارجية للعمود مع الجسر التي تمت محاكاتهم هو 6480، ولكن قل العدد بعد إبعاد العينات ذات فشل الانحناء في الجسر وتم أخذ العينات ذات فشل القص في العقدة فقط بلغ العدد الإجمالي للعينات ذات فشل القص في العقدة 4320 والتي تم استخدامها لتطوير النموذج المقترح. تم تقسيم البيانات إلى عدة مجموعات كاتالي (1) مجموعة تدريب 70% (3024 عينة (2) مجموعة اختبار 15% (648) عينة)، (3) ومجموعة التحقق 15 (648) عينة) والتي تم استخدامها لتطوير نموذج الشبكة العصبونية الاصطناعية (ANN) للتنبؤ بقوة القص في العقدة الموجودة في الهياكل الخرسانية المسلحة، حيث أن هذه القوة هي الناتج من استخدام النموذج المقترح. تم فحص دقة ناتج النموذج المقترح باستخدام بيانات الاختبار المقارنة القيم الناتجة مع القيم المتوقعة لبيانات الاختبار المكونة من 648 عينة من الوصلات الخارجية والتي تمت مقارنة قوة القص في العقد الخاصة بها مع النتائج النهائية لنموذج الشبكة العصبونية الاصطناعية المقترح (ANN) لنفس البيانات النموذج المقترح أظهر دقة عالية بلغت 95.6% في دقة التنبؤ بقوة القص لعقد العينات في بيانات الاختبار. بالإضافة إلى ذلك، تم استخدام بيانات الاختبار المقارنة دقة النموذج المقترح في التنبؤ بقوة القص للعقد في الوصلات الخارجية للهياكل الخرسانية مع دقة معادلة (ACI) للتنبؤ بهذه القوة. لقد وجد أن النموذج المقترح دقيق في التنبؤ بقوة القص في العقد الموجودة في الوصلات الخارجية الموجودة في الهياكل الخرسانية المسلحة عند مقارنته مع معادلة (ACI). علاوة على ذلك، تم التنبؤ بقوة القص في عقد الوصلات الخارجية باستخدام نموذج الشبكة العصبونية الاصطناعية (ANN) المقترح لعينات 80 تم جمعها من الأبحاث العلمية. لقد وجد أن النموذج المقترح قادر على التنبؤ بقوة القص لهذه العقد بمتوسط دقة .%91.5
الزلازل المدمرة الأخيرة مثل زلزال وتسونامي المحيط الهندي (2004) في إندونيسيا، وزلزال وتسونامي سيتشوان (2008) في الصين، وزلزال وتسونامي توهوكو في اليابان (2011)، وزلزال وتسونامي جوركا في نيبال (2015)، والزلازل التي حدثت في تركيا وسوريا (2023) قد أظهرت أوجه قصور إنشائية في الهياكل حيث تسببت في خسائر كبيرة في الأرواح وأضرار اقتصادية. وكانت معظم هذه المباني تفتقر إلى التسليح الزلزالي وكانت تصاميمها الزلزالية ليست جيدة. يعتبر التسليح الزلزالي غير الكافي في العقد (BCJs) الموجودة في وصلات الأعمدة مع الجسور الحوائط الحاملة، والأعمدة هم المصادر الرئيسية للضرر في الهياكل الخرسانية المسلحة
خلال الحدث الزلزالي.
غالبية المباني الخرسانية المسلحة التي تم بناؤها في الثمانينيات لم تكن تحتوي على تسليح مرتبط بقوى الزلزال بدلاً من ذلك، تم تصميمها لأحمال الجاذبية. وفي المناطق النشطة زلزاليا، يوجد العديد من هذه الأنواع من الهياكل على نطاق واسع في جميع أنحاء العالم. تشكل العقد في مناطق اتصال العمود مع الجسور دورا مهما في تكامل الأنظمة الإنشائية في الهياكل الخرسانية المسلحة. تعتبر العقد في مناطق اتصال العمود مع الجسور أجزاء مهمة في الهياكل الخرسانية المسلحة حيث تخضع لضغوط عالية أثناء النشاط الزلزالي. يجب التنبؤ بقوة القص لهذه العقد لضمان السلامة العامة للهياكل أثناء حدوث الزلزال.
إن أحد أهم الدوافع لهذه الدراسة هو التنبؤ بقوة القص لهذه العقد التي ليس لها تسليح زلزالي. لقد شهد استخدام التعلم الآلي (ML) بالتزامن مع طريقة تحليل العناصر المنتهية (FEA) مؤخرا اهتماما كبيرا من مجتمع البحث. في هذه الدراسة، تم استخدام التعلم الآلي (ML) - الشبكة العصبونية الاصطناعية (ANN) للتنبؤ بقدرة تحمل العقد في الهياكل الخرسانية المسلحة التي لا تحتوي على كانات تسليح في مناطق اتصال العمود مع الجسور. يحتاج تطوير نموذج شبكة عصبونية اصطناعية للتنبؤ بقوة تحمل القص إلى بيانات للتدريب والتحقق من صحة واختبار النموذج. وبالتالي، تعد البيانات أمرًا ضروريًا لتقديم دقة أفضل في نموذج الشبكة العصبونية الاصطناعية. في هذه الدراسة، تم إنتاج مجموعات البيانات اللازمة لنموذج الشبكة العصبونية باستخدام برنامج العناصر المنتهية (ABAQUS) تمت محاكاة عدة عينات من وصلات الأعمدة مع الجسور في برنامج (ABAQUS) مع الأخذ في الاعتبار سبعة متغيرات متعلقة بتفاصيل التصميم حيث تم استخدامها كمدخلات النموذج الشبكة العصبونية الاصطناعية (ANN). السبع مدخلات هي عمق العمود وعمق الجسر، وقوة مقاومة الخرسانة للضغط، والمساحة الإجمالية لتسليح الشد في الجسر ، وقوة مقاومة الشد لحديد التسليح في الجسر، وحمل العمود المحوري، ومساحة العقدة في وصلة العمود مع الجسر العدد الإجمالي لعينات الوصلات الخارجية للعمود مع الجسر التي تمت محاكاتهم هو 6480، ولكن قل العدد بعد إبعاد العينات ذات فشل الانحناء في الجسر وتم أخذ العينات ذات فشل القص في العقدة فقط بلغ العدد الإجمالي للعينات ذات فشل القص في العقدة 4320 والتي تم استخدامها لتطوير النموذج المقترح. تم تقسيم البيانات إلى عدة مجموعات كاتالي (1) مجموعة تدريب 70% (3024 عينة (2) مجموعة اختبار 15% (648) عينة)، (3) ومجموعة التحقق 15 (648) عينة) والتي تم استخدامها لتطوير نموذج الشبكة العصبونية الاصطناعية (ANN) للتنبؤ بقوة القص في العقدة الموجودة في الهياكل الخرسانية المسلحة، حيث أن هذه القوة هي الناتج من استخدام النموذج المقترح. تم فحص دقة ناتج النموذج المقترح باستخدام بيانات الاختبار المقارنة القيم الناتجة مع القيم المتوقعة لبيانات الاختبار المكونة من 648 عينة من الوصلات الخارجية والتي تمت مقارنة قوة القص في العقد الخاصة بها مع النتائج النهائية لنموذج الشبكة العصبونية الاصطناعية المقترح (ANN) لنفس البيانات النموذج المقترح أظهر دقة عالية بلغت 95.6% في دقة التنبؤ بقوة القص لعقد العينات في بيانات الاختبار. بالإضافة إلى ذلك، تم استخدام بيانات الاختبار المقارنة دقة النموذج المقترح في التنبؤ بقوة القص للعقد في الوصلات الخارجية للهياكل الخرسانية مع دقة معادلة (ACI) للتنبؤ بهذه القوة. لقد وجد أن النموذج المقترح دقيق في التنبؤ بقوة القص في العقد الموجودة في الوصلات الخارجية الموجودة في الهياكل الخرسانية المسلحة عند مقارنته مع معادلة (ACI). علاوة على ذلك، تم التنبؤ بقوة القص في عقد الوصلات الخارجية باستخدام نموذج الشبكة العصبونية الاصطناعية (ANN) المقترح لعينات 80 تم جمعها من الأبحاث العلمية. لقد وجد أن النموذج المقترح قادر على التنبؤ بقوة القص لهذه العقد بمتوسط دقة .%91.5
Note
Titel on cover :
التنبؤ بقوة العقدة في نقطة اتصال العمود مع الجسر في الهياكل الخرسانية المسلحة باستخدام التعلم الآلي
التنبؤ بقوة العقدة في نقطة اتصال العمود مع الجسر في الهياكل الخرسانية المسلحة باستخدام التعلم الآلي
Member of
Identifier
https://digitalrepository.uob.edu.bh/id/25f321d3-a1c2-4c5c-a559-61ba5f29de9f
8
0