Прогноз передачи Длина пряди предварительного напряжения с помощью нейронных сетей
В этом исследовании, эффективность искусственных нейронных сетей (ИНС) в прогнозировании передачи длины напрягаемой нитей в предварительно напряженных железобетонных балок исследованы. ИНС системы обработки информации, что имитирует способ биологической нервной системы, такие как мозг, обрабатывают информацию. Основным элементом нейронной сети, структуры системы обработки информации. Она состоит из тесно взаимосвязанных нейронов, обработки и имеет возможность для самостоятельного обучения на примерах. Передачи результатов различных научно-исследовательских проектов были собраны для подготовки и проверки модели ИНС. Каждый из параметров (то есть, отношение площади напрягаемой нить в область конкретных ^ пс югу ^ / ^ с ^ к югу, состояние поверхности преднапряжения цепей [ржавые или ярко], диаметр предварительного натяжения нити, процент debonded напрягаемой нитей, эффективного предварительного напряжения, плато деформации профиля, а прочность бетона в момент измерения), влияющие на передачу длины напрягаемой нитей был организован в входной вектор и соответствующий вектор вывод, который включает в себя передачу измеряется длина предварительного натяжения нитей.
Ключевые слова: из предварительно напряженного железобетона; испытания; передачу длины.
(ProQuest-CSA LLC: ... означает формулы опускается.)
ВВЕДЕНИЕ
Есть много факторов, влияющих на передачу длины. Только эффективное предварительное напряжение е ^ ^ к югу себе и нити диаметром db учитываются в текущем код requirements1-3 передачи длины. Некоторые из факторов, влияющих на передачу длины типа стали (проволоки или нити), размер стали (диаметр), уровень стали стресс, состояние поверхности стали (светлые, ржавые, или с эпоксидным покрытием), бетона, тип релиз (постепенное или внезапное), зависящие от времени эффекта, и debonded прядей.
Kaar и Magura4 показали, что существует линейная зависимость между длиной передачи и диаметр нити. Это линейная зависимость была принята во многих предлагаемых уравнения переноса длины. Castrodale al.5 др. показали, что переход длиной 30% меньше, по прочности бетона в 9400 фунтов на квадратный дюйм (64,8 МПа) по сравнению с конкретной силой 5100 фунтов на квадратный дюйм (35,2 МПа). Micthell др. al.6 также показали, что передача длина уменьшается с увеличением прочность бетона. Состояние поверхности нити оказывает существенное влияние на передачу напрягаемой пряди. Поверхности нити может быть ярким, слегка ржавые, а ржавые, с эпоксидным покрытием с песком, или маслом. Каждое из этих условий влияет на коэффициент трения и тем самым связь между прядь и бетона. Казинс и др. al.7 показали, что нити с ржавыми или с эпоксидным покрытием с песком поверхности значительно меньше длины передачи по сравнению с прядь с маслом поверхность или блестящую поверхность.
Общепризнано, что внезапное освобождение газовой резки или распиливания приводит к увеличению передачи длины. Kaar др. al.4 показал 20 до 30%-ное увеличение длины при передаче нити были освобождены пламени разреза. Кроме того, Хансон и Kaar8 показал 4 дюйма (102 мм) увеличение длины при передаче нити были освобождены пламени разреза. Передача длины также увеличивается с увеличением эффективной силу предварительного напряжения, поскольку больше длина связи необходимы, чтобы сбалансировать большую эффективную силу предварительного напряжения.
Средняя продолжительность передачи предварительно напряженных железобетонных пучка увеличилась незначительно с течением времени. Кроме того, изменения в передаче длины с течением времени увеличивается доля увеличивается debonded прядей. Хотя разница между полной мере связан и частично debonded нитей невелика, частично debonded нити имеют больше средней продолжительности передачи, чем полностью связан strands.9
Размер сечения также влияет на передачу длины напрягаемой прядей. Большего сечения имеют меньшую продолжительность передачи, так как большая масса конкретных подвержен меньшим ущербом от внезапного высвобождения энергии путем последовательного газовой резки в напрягаемой прядей. Кроме того, большее число нитей предварительного напряжения в большем сечение ведет себя как подкрепление к сечению, помогая распределять энергию стресса от внезапного освобождения от напрягаемой strand.10
Там было большое количество исследований с целью определения передачи длины напрягаемой нитей в предварительно напряженных железобетонных балках. Из-за отсутствия связи между теоретическими передачи длины напрягаемой пряди и параметров, описанных ранее, влияние этих параметров на передачу длина обычно описываются с помощью регрессионного анализа и статистических моделей. Когда выражения для наиболее подходят модели были получены, наиболее подходят модели затем приспособлены к у консервативных уравнений для покрытия экспериментальными данными. Кодекс характеристики и предложил несколько уравнений были разработаны на основе результатов нескольких исследований. Эти выражения, однако, не имеют точного прогнозирования возможностей, чем другие экспериментальные данные, используемые в их развитии.
Целью данного исследования является изучение возможностей использования искусственных нейронных сетей (ИНС) модели для прогнозирования передачи длины напрягаемой нитей в предварительно напряженных железобетонных балках. В данной работе подход ИНС была использована для прогнозирования средняя длина передачи преднапряжения нитей в предварительно напряженных бетонных балок, вместо того, эмпирическое выражение. Отношения не должны быть принятые в модели ИНС между параметры, влияющие на продолжительность передачи и передачи длины, как и в случае регрессии исследований. Отношения между параметрами и передачи длиной достаточно развит из экспериментальных данных по модели ИНС. С этой целью передачи данных длины были собраны из различных исследований.
ЗНАЧЕНИЕ ИССЛЕДОВАНИЯ
Значение этого исследования является изучение возможностей использования моделей ИНС в прогнозировании передачи длины напрягаемой прядей. В настоящее время нет уравнения в том числе многих параметров, для прогнозирования возможного перевода длины напрягаемой прядей. Таким образом, модель ИНС, интеллектуальные модели, включая семь параметров с соотношением площади напрягаемой берег в район сечения пучка ^ пс югу ^ / ^ с ^ к югу, состояние поверхности напрягаемой стружкой (ржавые или светлый) , диаметр предварительного натяжения нити, процент debonded напрягаемой нитей, эффективного предварительного напряжения, плато деформации профиля, а прочность бетона в момент измерения, был создан для прогнозирования передачи длины напрягаемой прядей.
ОПРЕДЕЛЕНИЕ О ПЕРЕДАЧЕ ДЛИНА
В общем, предварительно напряженные балки были изготовлены с различными уровнями кабального / debonded нити: все нити в полной мере не тая, и до 75% от нити были debonded в зависимости от проектных требований. Раскол оболочки методом нарушение сцепления был использован для предотвращения связи из развивающихся между конкретным и предварительного напряжения нити, если она указана. Количество и расположение нитей, уровень первоначального предварительного напряжения, и длины нарушение сцепления отличаются от испытания к испытанию в литературе.
До выпуска предварительного напряжения сил, Demec пунктов, малых металлических дисков, были epoxied к обоим концам лучей на высоте тяжести напрягаемой нитей в нижнем фланце. Они были помещены на расстояние большее, чем предполагаемые длины передачи. Измерения были затем приняты с использованием механических устройств Demec тензометрического определить фактическое расстояние между точками Demec.
Сжимающее напряжение между точками, в результате сброса в силу предварительного напряжения определяется с точки Demec измерений сразу после освобождения. Конкретные сжатия деформации профиля по каждой стороны каждого луча была разработана с использованием этих данных, и он был использован для оценки передачи длина нити в каждом пучке. Кроме того, меры Demec точки были также приняты 4 до 6 недель после освобождения по расследованию долговременное воздействие на передачу длины. Бетонные профили сжатия деформации были разработаны с задержкой съемные механические (Demec) точечных измерений.
В то время как только одна передача регионе существует на каждом конце света с единственной полностью связан прядь, следует отметить, что Существуют более чем одна передача регионов на каждом конце каждого пучка в зависимости от доли debonded пряди. 95% в среднем максимальная нагрузка (AMS) Method10 была применена к данным сглаженной конкретные сжатия деформации для определения длины передачи в каждом регионе передачи каждого пучка. Для частично debonded пряди, длина передачи была выбрана в качестве расстояния от точки нарушение сцепления, что пряди до пересечения линии 95% AMS и деформации профиля пучка. Типичный профиль для полной деформации связаны пряди и debonded нити были показаны на рис. 1 и 2, соответственно.
ИСКУССТВЕННЫХ НЕЙРОННЫХ СЕТЕЙ
В последнее время наблюдается растущий интерес к использованию ИНС в инженерных приложениях. ИНС мощные вычислительные средства, способные самоорганизации, распознавания образов и функциональной аппроксимации. Архитектура ИНС существу имитирует внутреннее функционирование человеческого мозга. Хотя, успешно прошедших обучение ИНС оказался весьма эффективным средством идентификации сложных нелинейных связей и в области моделирования различных приложений ,11-13 их эффективность зависит в основном от качества используемой базы данных для их подготовки. Базовой методологии для разработки эффективной модели ИНС является обучение нейронной сети, чтобы узнать соотношение между множеством входов и соответствующие мероприятия, которые называются цели. Обучение осуществляется в рамках итеративного процесса. Каждая итерация цикла, называемый эпохой, включает в себя кормить вперед вычислений следуют ошибки назад распространения для изменения их веса связи, как показано на рис. 3. выходов ИНС сети по сравнению с целевыми показателями, которые являются выход экспериментально.
Если разница между выходными ИНС, и цель не является удовлетворительным, итерация продолжается корректировки веса. Хорошо обученной нейронной сети должны иметь возможность точного прогнозирования выхода, когда он представил новый набор входных данных, в рамках практической спектр обучающих данных ..
Feed вперед ИНС являются наиболее часто используемых нейронных сетей в инженерных приложениях, и они состоят из входного слоя, выходного слоя, а также большое количество скрытых слоев. Каждый слой содержит число нейронов связаны с нейронами в смежных слоях, и никакой связи между нейронами, допускается в пределах одного слоя. Каждый нейрон в скрытом и вывода слоев получает несколько входов от нейронов предыдущего слоя с помощью связей с соответствующими весами. Каждый нейрон выполняет простые вычисления для расчета чистой ввода (взвешенная сумма) и преобразования, что чистые материалы для продукции с использованием установленных передаточной функции в качестве вклада в нейроны в последующий слой или в качестве выхода сети, если нейрон находится в выходного слоя. Упрощенная модель искусственного нейрона приведена на рис. 4.
В этом исследовании, кормить вперед обратного распространения нейронных network14 была использована для прогнозирования передачи длины напрягаемой пряди. Простая архитектура обратного распространения сети, которая состоит из входного слоя и выходного слоя, и связей между ними показана на рис. 5. Обучение нейронных сетей обычно влечет за собой изменение веса связи посредством обучения rule.15 После учебный процесс был успешно завершен, данные об испытаниях, которые не были использованы в учебном процессе, были использованы для проверки обобщения.
Выбор базы данных
Для того чтобы данные, собранные из различных исследований, имеют общие свойства, некоторые требования были установлены. Эти требования сосредоточены на материалы, типа измерений, выполненных в исследованиях. Если исследование встретил эти требования, то его данные были использованы в модели ИНС. Если исследование не отвечает этим требованиям, то его данные были преобразованы либо в соответствии с требованиями, либо не используются вообще. Некоторые требования были созданы на бетон, напрягаемой прядь, структурный тип членов и передачи измерения длины для сбора данных. Единственное ограничение применяется на конкретные было то, что она должна быть normalweight бетона. Существовал никаких ограничений на прочность на сжатие бетона. Напрягаемой нити должен быть без покрытия. Только 270 Оценка низкой релаксации напрягаемой нити были рассмотрены, поскольку они широко используются. Кроме того, только 0,5 и 0,6 дюйма (13 и 15 мм), диаметр нити преднапряжения были рассмотрены, и расстояние от напрягаемой нитей было 2 дюйма (50 мм) во всех собранных исследований.
Существовал никаких ограничений на берег картины. Только в натуральную величину AASHTO стандартных двутавровых балок, государственные конкретных двутавровых балок, прямоугольные балки, и Т-лучи, включенных в исследование. Эти полноразмерные пучков были рассмотрены с учетом и без палубы плиты ..
Критерии для передачи длиной в том, что фактические деформации профиля должны быть созданы и передачи длины должна быть измеряемой деформации от этих профилей, как описано выше. Передача длины определяется с конца скольжения измерения не были включены в это исследование. Наиболее предпочтительный способ определить передачи длина 95% AMS метод, как уже упоминалось ранее. При 100% AMS метод был использован для определения длины и передачи фактических данных штамм был недоступен, длина передачи из этих исследований был умножен на 0,90 приблизительным их значений в 95% метод AMS. Сборник средняя продолжительность передачи данных, используемых в обучении и тестировании каждого исследования приведены в таблице 1.
Выбор архитектуры ИНС
Каждый шаблон включает в себя подготовку входного вектора семь элементов, представляющих собой отношение площади напрягаемой нить в район сечения пучка ^ пс югу ^ / ^ с ^ к югу, состояние поверхности напрягаемой стружкой (ржавые или яркие), диаметр от предварительного натяжения нити, процент debonded напрягаемой нитей, эффективного предварительного напряжения, плато деформации профиля и прочности бетона в момент измерения, а также соответствующий вектор мишень, представляющая собой передачу измеряется длина напрягаемой пряди.
Каждый тест в собранных данных было другое сечение и / или нити узор. Соотношение площади напрягаемой нитей в район сечения пучка ^ югу пс ^ / ^ с ^ к югу был выбран для представления данного параметра входной вектор. Кроме того, поскольку состояние поверхности нити преднапряжения не было численное значение, яркий и ржавой поверхности условия предварительного натяжения нити были представлены 0 и 1, соответственно.
Существовали четыре различных модели связи, используемых для предварительного натяжения нити в сборнике исследований. Эти модели были полностью сцеплены, а 50, 60 и 75% debonded. В полной мере связан случае все предварительного натяжения нитей были связаны с конкретными, начиная с конца света. В debonded случаев, от 50 до 75% от напрягаемой нити не смогли сделать связь с бетона в конкретном регионе пучка. Число от 1 до 4 был назначен каждого связи случае для представления данного параметра входной вектор. Как уже упоминалось ранее, существует только одна плата деформации профиля полностью связанных нитей, а также Есть до четырех плато деформации профиля debonded штаммов в зависимости от модели и прядь debonded расстояния. Число от 1 до 4 было поручено представлять деформации плато, на котором измерения длины передачи были приняты, в входному вектору.
Logsig функция, используемая в качестве передаточной функции для блока обработки выходных дает значения между 0 и 1, как показано на рис. 6. Таким образом, значения всех параметров на входе вектора и значения в целевой вектор должен быть нормирована так, что они упали в пределах от 0 до 1. Нормализация было достигнуто путем использования формулы показано в формуле. (1).
... (1)
Имеющиеся в продаже компьютер software23 была использована для сборки и подготовки кормов вперед нейронной сети, изображенной на рис. 7. Специальный программный код был написан, чтобы назначить диапазон входных и выходных переменных, число слоев и число элементов в каждом слое, алгоритм обучения и изучения курса для каждого процессора, а минимальная желаемого ошибку, остановки механизма выполнение учебного процесса. Конвергенция в зависимости от количества скрытых нейронов слоя, размер обучения параметры скорости, и количество данных, необходимых для создания надлежащих результатов. Существует нет структурированного алгоритма для получения оптимальной структуры и параметров нейронной сети, поэтому метод проб и ошибок подход был использован, чтобы найти оптимальные. После стольких испытаний, выбранная структура модели ИНС был один вход, один скрытый характер, и один выходной слой. Ввода и скрытые слои имели семь нейронов и выходной слой имел один нейрон.
Учебный процесс
Обучение кормить вперед обратного распространения ИНС передачи длины напрягаемой прядь в основном об обучении сети связи измеряется средняя продолжительность передачи и параметры, влияющие на него. Метод обучения может находиться под наблюдением или без присмотра. В данной работе рассматривается метод обучения был принят. Таким образом, сеть была представлена множества переменных, включая подготовку материалов и целевых показателей, измеряемых продукции, а сеть, что они должны учиться.
Предсказал выход был по сравнению с нормированной передачи измеряется длина нити предварительного напряжения, соответствующие тому же вектор материалов, представленных на входе / моделей целевой подготовки. Ошибка определяется как разница между предсказал производства и нормированная длина передачи преднапряжения пряди. Средняя сумма квадрата ошибки, которые хранятся сети после каждой картины был рассчитан и бэк-распространяются через обучение механизм корректировки предвзятости и сильные связи (веса) между секциями. Большинство алгоритмов обучения на основе обобщенного правила дельты: они обновляются сети предвзятости и веса в направлении наискорейшего спуска ошибки свести к минимуму функции производительности сети (снижение средней суммы квадрата ошибки). Алгоритм обучения, принятые в этой исследования Левенберга-Marquardt algorithm.23 В этом алгоритме ошибки сети, на основе матрицы Якоби, который содержит первые производные сетевые ошибки, снова-распространяется в отношении веса и предубеждения.
W ^ к югу 1 = W ^ ^ к югу - [J ^ SUP T ^ J
Важно отметить, что в процессе обучения, нейронная сеть пытается обеспечить памяти для хранения данных, представленных в подготовке моделей. Другими словами, сеть пытается запомнить значения, которые предоставляются в подготовке моделей. Таким образом, можно продолжать обучение на месте, где разница между прогнозирования сети и нормированные значения выходных практически равен нулю. В таком случае, однако, модель, как правило продемонстрировать способность бедных обобщения и не обеспечивает приемлемый уровень прогнозов, когда он представил новые входные значения исключены из подготовки. Это явление называется по-креплением (перетренированности), и в этом исследовании, за-креплением удалось избежать благодаря ранней остановки механизма, которая состояла из предоставления соответствующих желаемого минимального MSE равна или меньше 2.0E-05.
Анализ чувствительности
Когда сеть обучается, целесообразно определить влияние каждого из входов сети на выход сети. Это обеспечивает обратную связь о том, какие входные каналы являются наиболее значимыми. Незначительные каналов ввода могут быть удалены из сети материалов, которые в свою очередь позволит сократить сложность и время тренировок.
Анализ чувствительности является способ извлечения причинно-следственную связь между входами и выходами network.13, 24,25 сети обучения инвалидов в ходе этой операции, что сеть веса не влияет. Основная идея состоит в том, что вклад в сети несколько смещен по всей их диапазон и соответствующие изменения в вывод сообщили в процентах.
Новый набор входных данных был создан путем временное увеличение первоначального вклада малое значение (крайнее возбуждение). В ходе этого анализа исходных данных, ввод был увеличен на 10%, чтобы создать новый набор исходных данных для анализа чувствительности.
РЕЗУЛЬТАТЫ И ОБСУЖДЕНИЕ
Текущий код specifications1-3 и уравнений, предложенный Lane, 16 Бакнер, 26 и Козе и Burkett27 более упрощены и не принимать все соответствующие параметры, которые были объяснены ранее, на счет. Эти уравнения обычно принимают во внимание только тремя параметрами при оценке передачи длины напрягаемой нить, как показано в таблице 2. Все соответствующие параметры, однако, были включены в модель ИНС, чтобы лучше оценка передачи длина pretsressing пряди.
Принятие модели ИНС для прогнозирования передачи длиной основан на его способности обобщения своих прогнозах на новый набор входных данных, которые ранее не включенных в учебный процесс. Обобщение зависит от веса и предубеждения в конце обучения и насколько успешно учебный процесс. Таким образом, перед тестированием производительности ИНС для нового набора входных данных, процесс обучения должен быть успешно решена.
Учебный процесс
Модели ИНС показана на рис. 7 обучался предсказать передачи длины напрягаемой прядей. Семьдесят структуры подготовки были отобраны девять источников, как показано в Таблице 1. Как упоминалось ранее, каждый учебный шаблон содержит входного вектора семь элементов, представляющих собой отношение площади напрягаемой нить в район сечения пучка ^ пс югу ^ / ^ с ^ к югу, состояние поверхности напрягаемой стружкой (ржавые или ярко- ), диаметр нити предварительного напряжения, в процентах от debonded напрягаемой нитей, плато деформации профиля и прочности бетона в момент измерения, а также соответствующий вектор мишень, представляющая собой передачу измеряется расстояние от напрягаемой пряди. Обучение ИНС была завершена, когда модель ИНС предсказал передачи длины для значений, используемых в учебном процессе. Надежность прогнозов ИНС оценивалась с использованием среднего квадрата ошибки (MSE), заданной
... (3)
MSE был рассчитан после каждого тренировочного цикла. Резким сокращением MSE наблюдалось до 1200 эпох, а после 1200 эпох, MSE остался почти постоянной, как это показано на рис. 8. Учебный процесс был остановлен, когда ММП составляла 2.0E-05 для предотвращения чрезмерной монтажа.
45-градусная справедливости линии было обращено сравнить предсказал длины передачи и передачи мерные длины, как показано на рис. 9. Модели ИНС успешно научились карте между передачей длины и параметры, влияющие на передачу длины.
Процесс тестирования
Как уже упоминалось ранее, приемлемость, успешно прошедших обучение модели ИНС зависит от обобщений и выполнения своих предсказаний, когда модель ИНС представлен новый набор данных в диапазоне входных переменных, используемых в учебном процессе. Таким образом, эффективность модели ИНС, разработанных в процессе обучения предсказать продолжительность передачи преднапрягающей прядь параметров исключены из учебных данные должны быть подтверждены. Разработанная модель ИНС было представлено в общей сложности 14 новых моделей входных случайным образом выбирается из девяти источников, как показано в таблице 1, а также необходимые для прогнозирования передачи длины напрягаемой нитей для данного входного вектора. На данном этапе, только нормированной входной вектор, состоящий из 14 моделей была представлена модель ИНС и никакой информации о переносе предварительного напряжения длиной нити, связанные с этими входных сигналов не было.
В конце процесса тестирования, MSE был рассчитан 8.5E-05. 45-градусная справедливости линии было обращено сравнить предсказал длины передачи и передачи мерные длины, как показано на рис. 10. Разработанная модель ИНС показывает удовлетворительное способность предсказывать передачи длины для данного нового набора входных данных, не включенных в учебный процесс.
Для передачи длины используемых в тестировании набор, сравнение прогнозов текущей коды и предложил уравнений с предсказаниями модели ИНС приведены в таблице 3. Кроме того, R-квадрат, и средняя абсолютная ошибка (ПДВ) были рассчитаны и приведены в таблице 3, чтобы определить тенденции захвата и степень рассеяния для каждого прогноза. Модели ИНС имеет минимальную степень разброса и максимальная способность тенденция захвата по сравнению с другими уравнениями.
Анализ чувствительности
После обучения сети успешно, анализ чувствительности было проведено с целью выяснения влияния каждого входного параметра на выходе, который измеряется длина передачи. Каждый входной параметр в отдельности увеличился на малую величину над диапазоном, который был выбран в качестве 10%. Входной параметр был заменен на своего минимального значения и новый выход сети определяется. Тогда множество значений, начиная от минимального значения входного параметра до максимальной были заменены на новые и выход сети определяется для каждого. И наконец, параметр был возвращен в исходное значение в рамках подготовки к чувствительности анализа другого параметра. Если входной параметр только два значения в случае нить состояние поверхности, 10% прирост не был применен и анализ чувствительности выполняется только для минимальных и максимальных значений.
После доля влияния каждого входного параметра определяется вес каждого входного параметра по отношению к другим определяется путем деления доли влияния каждого входного параметра на общую сумму процент влияние всех входных параметров. Результат анализа чувствительности для каждого входного параметра показано в таблице 4. Каждое значение в таблице 4 соответствует проценту том, что особый вход имеет на выходе вектор. Обратите внимание, что в общей сложности доля влияния сумм входного параметра до 100%.
Деформации плато, в которых измерения длины передачи были приняты минимально влияет на передачу длины. Воздействия других параметров, которые были As / ^ с ^ к югу, состояние поверхности напрягаемой прядь, время измерения, полностью связан / debonded нити, нити диаметром, а прочность бетона на момент измерения были близки друг к другу. Состояние поверхности напрягаемой прядь, однако, максимальный эффект от передачи измеряется длина. Влияние этих параметров на передаче длины напрягаемой нити были изучены на предыдущих экспериментальных исследований ,4-10, 22, как описано выше. В этих экспериментальных исследований также было установлено, что эти параметры имеют влияние на передачу длины напрягаемой пряди. Таким образом, результаты анализа чувствительности согласен с предыдущим экспериментальных исследований в литературе.
Анализ чувствительности показал также, что игнорируются параметры, которые нить состояние поверхности, время измерения, отношение площади напрягаемой берег в район сечения пучка ^ пс югу ^ / ^ с ^ к югу, и процент debonded нитей , имеет влияние на передачу длины напрягаемой нитей, как показано в таблице 4.
Хотя штамм плато, в которых измерения длины передачи были приняты имеет минимальное влияние на передачу длины напрягаемой, это не совсем незначительно. Была предпринята попытка снять напряжение плато от входного вектора, но которые ведут к увеличению MSE как обучение и тестирование процессов. Таким образом, семь параметров входной вектор были выбраны в качестве наиболее эффективного подхода к предсказать продолжительность передачи преднапрягающей прядь с использованием ИНС.
ВЫВОДЫ
Следующие выводы могут быть сделаны на основе результатов представлены:
1. Данное исследование демонстрирует эффективность Feed Forward обратного распространения нейронные сети для прогнозирования передачи длины напрягаемой прядей. Разработанная модель была в состоянии предсказать, передачи длины напрягаемой нитей для входных сигналов, используемых в обучение и тестирование процессов;
2. Прогнозирование передачи длины напрягаемой нитей в зависимости от параметров, влияющих на продолжительность передачи представляет собой трудную задачу достичь. , Успешно прошедших обучение нейронной сети, однако, не может предсказать передачи длины напрягаемой нити легко и точно. Таким образом, нейросетевых моделей может быть мощным альтернативным подходом к традиционных статистических методов, используемых в развитие отношений между передачей длины напрягаемой пряди и параметры, влияющие на передачу длины напрягаемой нитей;
3. Хотя показатели развитых модели ИНС ограничивается диапазоном входных данных, используемых в учебном процессе, эта модель может быть легко переподготовку с целью расширить диапазон входных переменных путем предоставления дополнительных новый набор данных;
4. Анализ чувствительности показал, что все выбранные параметры, используемые в модели ИНС имел влияние на передачу длины напрягаемой пряди. Последствия всех параметров, кроме деформации плато были близки друг к другу. Нить состояние поверхности напрягаемой нить имел максимальный эффект, но напряжение плато, в которых измерения длины передачи были приняты, имел минимальное влияние на передачу длины напрягаемой нитей;
5. Анализ чувствительности показал также, что игнорировать параметры в текущих спецификаций код и предлагаемые уравнения имеют влияние на передачу длины напрягаемой нитей;
6. Текущий МСА и AASHTO коды и предложил уравнений Lane, 16 Бакнер, 26 и Козе и Burkett27 ограничивается до трех параметров, которые нити диаметром прочности бетона, а уровень предварительное напряжение в напрягаемой нити, чтобы предсказать передачи длины напрягаемой нити, как показано Таблица 2. Кроме того, нынешний коды и предложил уравнений обычно завышают среднюю продолжительность передачи преднапряжения нитей на всякий случай;
7. Разработанная модель ИНС, однако, может включать семь параметров, упомянутых ранее предсказать продолжительность передачи преднапрягающей нити более точно и
8. Модели ИНС имеет минимальную степень разброса и максимальная способность тенденция захвата по сравнению с другими уравнениями.
Нотация
^ ^ К югу с = площадь поперечного сечения пучка
^ К югу пс = общая площадь напрягаемой нитей
(к) = предсказал значение предварительного напряжения нити Энн
DB = номинальный диаметр предварительного натяжения нити
е = вектор ошибок в сети
е '^ к югу с = прочность бетона на 28 дней
F ^ югу р = напряжение в напрягаемой нитей до выпуска
F ^ югу р = Начальное предварительное до их выпуска (используется в Lane16 уравнения)
F ^ югу себе = эффективное напряжение в напрягаемой арматуры после всех потерь предварительного напряжения
F ^ югу си = эффективное напряжение в напрягаемой арматуры после кратковременного потерь
I = единичная матрица
J = матрицы Якоби
JT = транспонированной матрицы Якоби
L ^ югу т = длина передачи
N = количество точек данных
р = исходных данных
р к югу макс = максимум р
р к югу мин = минимум р
р к югу п = нормированных данных
T (K) = измеренное значение длины передачи из экспериментальных данных
W ^ к югу = вектор текущего веса и предубеждения
Ссылки
1. ACI комитета 318 "Строительство кодекса Требования Железобетона (ACI 318-02) и Комментарии (318R-02)," Американский институт бетона, Фармингтон-Хиллз, штат Мичиган, 2002, 443 с.
2. AASHTO, "Стандартные спецификации для автодорожных мостов", 16 издание, Американская ассоциация шоссе государства и перевозки должностных лиц, Вашингтон, DC, 1992, 760 с.
3. AASHTO-LRFD, "Стандартные спецификации для автодорожных мостов", 1997 временных Редакция, Американская ассоциация шоссе государства и перевозки должностных лиц, Вашингтон, DC, 1997, 1216 с.
4. Kaar, PH и Магура, DD, "Влияние Strand подушка о выполнении Prestensioned Балки" Журнал предварительно напряженного железобетона институт, декабрь 1965, с. 20-34.
5. Castrodale, RW; Бернс, NH и Крегер, ME, "Изучение Pretensioned высокой прочности бетона балок в композитном автодорожных мостов-лабораторных тестов," Научно-исследовательский доклад 381-3, CTR, Техасский университет в Остине, Остин, Техас , январь 1988, 209 с.
6. Митчелл, D.; Кука, WD; Хан, А. А. и Tham, T., "Влияние высоких прочности бетона по передаче и развитию Длина предварительного напряжения Strand," PCI Journal, V. 38, № 3, май-июнь 1993 , с. 52-66.
7. Казинс, TE; Сталлингс, JM, и Симмонс, MB, "Влияние Strand Расстояние по разработке предварительного напряжения Strand", проект № 65308, Auburn University, Оберн, штат Алабама, август 1993, 150 с.
8. Хансон, NW, и Kaar, PH, "изгиб Бонд из Pretensioned предварительно напряженные балки," ACI ЖУРНАЛ, Труды В. 55, № 7, июль 1959, с. 783-803.
9. Абдалла, OA; Рамирес, JA, и Ли, RH, "Strand нарушение сцепления в Pretensioned Балки-сборного предварительно напряженного бетона балок моста с Debonded пряди, часть 2, Заключительный доклад: Просто поддерживаемых тестов", публикация № FHWA/INDOT/JHRP-92 -25, Школа гражданского строительства Университета Пердью в Индиане и министерство транспорта, июнь 1993, 254 с.
10. Расселл, BW, и Бернс, NH, "Дизайн Руководство по разработке, передаче и нарушение сцепления большого диаметра Семь жилы в Pretensioned Бетонные балки," Research Report 1210-5F, Центр транспортных исследований, Университет штата Техас в Остине, Остин, Техас, январь 1993, 300 с.
11. Buenfeld, NR; Хассаниен Н.М., и Джонс, AJ ", искусственных нейронных сетей для прогнозирования глубины карбонизации в бетонных конструкциях", пособия и доклады по инженерной практике, ASCE, 1998, с. 77-117.
12. Ах, JW, Ли, IW, Ким, JT, и Ли, GW, "Применение нейронных сетей для дозирования бетонных смесей", ACI Журнал материалы, V. 96, № 1, январь-февраль 1999, с. 61-67.
13. Chabib, H.; Nehdi, M.; и Sonebi, М., "Искусственный интеллект Модель для подвижных бетонных смесей, используемых в подводный Строительство и ремонт", ACI журнал Материалы, В. 100, № 2, март-апрель 2003, с. 165-173.
14. Rumelhart, DE; Хинтон, GE, и Уильямс, RJ, "Изучение внутреннего представления по ошибке распространения", параллельная распределенная обработка, том 1, Rumelhart и МакКлелланда, ред., MIT Press, Cambridge, Mass, 1986, с. 318 -362.
15. Розенблатт, Ф., Принципы нейродинамики, Spartan, Нью-Йорк, 1962, 616 с.
16. Lane, С. Н. Новые уравнения Длина развитию Pretensioned пряди в мостовых балок и свай ", Research Report ФАД-RD-98-116, структуры отдела, Федеральное управление шоссе, Маклин, Вирджиния, 1998, 131 с.
17. Shahawy, MA; Иса, M.; и Батчелор B. Дев, "Strand Передача длины в полномасштабной AASHTO предварительно напряженного бетона балок," PCI Journal, V. 37, No E, май-июнь 1992, с. 84 - 96.
18. Валовой, SP, и Бернс, NH, "Передача и развития Длина 15,2 мм (0,6 дюйма) Диаметр предварительного напряжения Strand в высокопрочный бетон: Результаты тестов Хоблицелл Бакнер-Beam," Научно-исследовательский доклад 580-2, Центр Транспорт исследований, Университет штата Техас в Остине, Остин, Техас, июнь, 1995, 93 с.
19. Джобсон, HL, "Передача и развития Длина Полностью Таможенный 0,6 в. (15-мм) Диаметр предварительного напряжения Strand в AASHTO I типа бетонных балок", магистерская диссертация, Техасский университет в Остине, Остин, Техас, август 1997 , 180 с.
20. Grove, JW, "Передача и развития Длина Debonded 0,6 в. (15-мм) Диаметр предварительного напряжения Strand в AASHTO I типа балки образцы", магистерская диссертация, Техасский университет в Остине, Остин, Техас, август 1998, 139 с.
21. Килгор, JH, "Передача и развития Длина Debonded 0,6 в. (15-мм) Диаметр предварительного напряжения Strand в AASHTO типа I бетонная балка", магистерская диссертация, Техасский университет в Остине, Остин, Техас, декабрь 1997, 166 с.
22. Коуз, М., и Беркетт, WR, "Оценка кодекса Потребность в 0,6 дюйма (15 мм) Предварительное напряжение пряди", ACI Структурные Journal, В. 102, № 3, май-июнь 2005, с. 422-428.
23. Демут, H., и Бил, М., нейронные сети Toolbox для использования с MATLAB, Mathworks Инк, 2001, 458 с.
24. Мару, С. и Nagpal А.К., "нейронная сеть для ползучести и усадки Отклонения в железобетонных конструкций," Журнал вычислительной Инженер-строитель, V. 18, № 4, октябрь 2004, с. 350-359.
25. Диас, WP, а Pooliyadda, SP, "нейронных сетей для прогнозирования свойств бетона с добавками," Строительство и строительные материалы, V. 15, № 7, октябрь 2001, с. 371-379.
26. Бакнер, CD, "Анализ передачи и разработки длины для Pretensioned железобетонных конструкций", Research Report ФАД-RD-94-049, Департамент гражданской и экологической инженерии, Вирджиния Военный институт, Лексингтон, Вирджиния, 1994, 108 с.
27. Коуз, М., и Беркетт, WR, "Формулировка новое уравнение для развития Длина 0,6 дюйма предварительного напряжения Strand," PCI Journal, V. 50, № 5, 2005, с. 96-105.
Мехмет М. Козе является доцент К. Sutcu Имам университета, Кахраманмараш, Турция. Он получил степень бакалавра Ближневосточного технического университета, Анкара, Турция, а также степень магистра и докторскую степень от Texas Tech University, Лаббок, Техас Его исследовательские интересы включают усиленный и предварительно напряженных железобетонных конструкции, анализ методом конечных элементов, а также структурной динамики.