إشتقاق معادلة تجريبية لتقدير العزم الأقصى للكمرات الخرسانية المسلحة باستخدام الشبكات العصبية الاصطناعية   (ANN)  بالاعتماد على بيانات الكود الأمريكي (ACI)

محمد العربي المحروق

doi:10.65405/k9pfhs11

المؤلفون

محمد العربي المحروق كلية الهندسة صبراتةجامعة صبراتة المؤلف

DOI:

https://doi.org/10.65405/k9pfhs11

الكلمات المفتاحية:

تحليل الحساسية، الشبكات العصبية، السلوك الإنشائي، الكمرات الخرسانية، العلاقات غير الخطية، والنمذجة العددية.

الملخص

تهدف هذه الدراسة إلى استخدام تقنيات الذكاء الاصطناعي، وبالأخص الشبكات العصبية الاصطناعية، لاشتقاق معادلة تجريبية لحساب عزم الانحناء في الكمرات الخرسانية المسلحة. ونظرًا لأهمية حساب العزم بدقة في التصميم الإنشائي، تم اعتماد معادلات الكود الأمريكي (ACI) كمرجع لمقارنة النتائج والتحقق من دقة النموذج المقترح. تم إنشاء قاعدة بيانات مكونة من (60) كمرة خرسانية مسلحة، تمثل نطاقًا واسعًا من الخصائص الهندسية والميكانيكية، مثل عرض الكمرة والعمق الفعّال، مقاومة ضغط الخرسانة، إجهاد خضوع حديد التسليح، ومساحة التسليح. وقد استُخدمت هذه البيانات في تدريب واختبار عدة نماذج من الشبكات العصبية الاصطناعية بهدف التوصل إلى النموذج الأكثر دقة واستقرارًا. أظهرت نتائج التحليل أن النموذج العصبي المختار حقق توافقًا عاليًا مع القيم المرجعية المستخرجة من معادلات الكود الأمريكي، حيث سجل قيمًا مرتفعة لمعامل التحديد (R²) وقيمًا منخفضة لمتوسط الخطأ المطلق (MAE). وبناءً على ذلك، تم استخراج معادلة تجريبية نهائية في صورة لوغارتمية، تُمكّن من حساب عزم الانحناء مباشرة دون الحاجة إلى تشغيل نموذج الشبكة العصبية. تشير نتائج الدراسة إلى أن الشبكات العصبية الاصطناعية تمثل أداة فعالة ودقيقة في نمذجة السلوك الإنشائي للكمرات الخرسانية المسلحة، وأن المعادلة التجريبية المستخلصة يمكن أن تُستخدم كوسيلة مساعدة في التصميم والتحقق الهندسي، ضمن نطاق البيانات التي تم تدريب النموذج عليها.

التنزيلات

تنزيل البيانات ليس متاحًا بعد.

المراجع

1. Bai, C., Nguyen, H., Asteris, P. G., Nguyen-Thoi, T., & Zhou, J. (2020). A refreshing view of soft computing models for predicting the deflection of reinforced concrete beams. Engineering Structures, 219, 110927.

2. Kaczmarek, M., & Szymańska, A. (2016). Application of artificial neural networks to predict the deflections of reinforced concrete beams. Studia Geotechnica et Mechanica, 38(3), 27-36.

3. Uziak, J., & Gandure, J. (2015). Comparative analysis of spreadsheet and MATLAB in beam bending calculations. University of Botswana, Gaborone, Botswana.

4. Kara, I. F., & Ashour, A. F. (2011). Flexural performance of FRP reinforced concrete beams. Composite Structures.

5. Ashraf, H. R., Jalal, M. & Garmsiri, K. (2010). Prediction of load-displacement curve of concrete reinforced by composite fibers (steel and polymeric) using artificial neural network. Expert Systems with Applications,

6. Ashour, A. F. & Habeeb, M. N. (2008). Continuous concrete beams reinforced with CFRP bars. Proceedings of the Institution of Civil Engineers- Structures and Buildings.

7. Muhammad I. M. Rjoub, Ph.D. (2005). Moment Capacity of Steel Fiber Reinforced Concrete Beams.

8. Ahmad, M. M., Elahi, A., & Barbhuiya, S. (2023). Comparative analysis of reinforced concrete beam behaviour: Conventional model vs. artificial neural network predictions. Structures, 54, 1895-1908.

9. Beljkaš, Ž. & Baša, N. (2021). Neural networks Deflection prediction of continuous beams with GFRP reinforcement. Applied Sciences, 11(14).