ПРИМЕНЕНИЕ СВЁРТОЧНОЙ НЕЙРОННОЙ СЕТИ В РАСЧЁТАХ НАПРЯЖЕНИЙ ЖЕЛЕЗОБЕТОННЫХ ПЛИТ ДОРОЖНЫХ ПОКРЫТИЙ
DOI:
https://doi.org/10.36773/1818-1112-2024-135-3-24-30Ключевые слова:
железобетонная плита, расчётная модель, свёрточная нейронная сеть, архитектура U-NetАннотация
В основу проектирования жёстких железобетонных плит фундаментов, перекрытий, дорожных покрытий положены расчётные модели, которые разработаны на относительно ограниченном количестве экспериментальных исследований, в большинстве случаев требующих достаточно больших материальных и временных затрат. Сложное напряжённо-деформированное состояние, возникающее в жёстких железобетонных плитах фундаментов и дорожных покрытий под нагрузкой, и в особенности под циклической динамической нагрузкой, часто может приводить к образованию трещин и разрушению плит. В работе исследовались железобетонные плиты покрытия контейнерной площадки, которые воспринимают нагрузку от колёс перемещающегося по поверхности ричстакера (транспортного средства для погрузки контейнеров). Существующие модели для проектирования таких плит рассматривают как правило плиту, загруженную одной локальной нагрузкой, приложенной на краю или в углу плиты, от колеса передвигающегося транспорта. Фактически на плите могут располагаться два колеса, что приводит к более неблагоприятному состоянию. Применение метода конечных элементов в таких задачах является достаточно трудоёмким, так как требует высокого уровня квалификации инженеров-проектировщиков и значительных временных и трудовых затрат, что делает проектирование рутинным и мало целесообразным. В данной работе исследован альтернативный подход, основанный на применении искусственной свёрточной нейронной сети (CNN) с архитектурой U-Net, позволяющий получить достаточно точное предсказание напряжений в плите значительно быстрее и проще в сравнении с методом конечных элементов. В работе приведена архитектура нейронной сети с указанием особенностей и этапов её обучения. Выполнен статистический анализ результатов расчёта, позволивший оценить достоверность нейросетевой модели определения напряжений в железобетонных плитах на упругом основании.
Библиографические ссылки
Tully, S. H. А neural network approach for predicting the structural behavior of concrete slabs : a thesis submitted for the degree of master of engineering : 06.1997 / S. H. Tully. – Newfoundlan, 1997. – 126 p.
Betonnye i zhelezobetonnye konstrukcii = Betonnyya і zhalezabetonnyya kanstrukcyі : SP 5.03.01-2020. – Vved. 16.09.2020. – Minsk : RUP «Strojtekhnorm» : Ministerstvo arhitektury i stroitel'stva Respubliki Belarus', 2020. – 236 s.
Design of concrete structures – Part 1-1: General rules, rules for buildings, bridges and civil engineering structures : prEN 1992-1-1:2018 Eurocode 2. – Final draft of April 2018 by the Project Team SC2.T1 working on Phase 1 of the CEN/TC 250 work programme under Mandate M/515. – 293 p.
fib Model Code for Concrete Structures 2010. – Lausanne : International Federation for Structural Concrete (fib), Switzerland, 2013. – 432 p.
ACI. Building Code Requirements for Structural Concrete (ACI 318-08) and Commentary. In Aci-318-08; American Concrete Institute: Farmington Hills, MI, USA, 2008. – P. 1–471.
JSCE. Standard Specifications for Concrete Structures-2007. In JSCE Guideline for Concrete No. 15; JSCE: Tokyo, Japan, 2007. – P. 1–503.
CSA. Design of Concrete Structures. In A23.3-04; CSA: Mississauga, ON, Canada, 2004. – P. 1–232.
NZS. Concrete Structures Standard Part-1. In NZS 3101; New Zealand Standard. – Wellington, New Zealand, 2006. – Part 1. – P. 1–309.
KBCS. Korean Building Code-Structural (KBCS); Architectural Institute of Korea: Kimoondang, Korea, 2005.
Ahmad, A. Neural Network-Based Prediction: The Case of Reinforced Concrete Members under Simple and Complex Loading / A. Ahmad, N. D. Lagaros, D. M. Cotsovos // Applied Sciences. – 2021. – Vol. 11. – P. 4975. – DOI: 10.3390/app11114975.
Bamiyo, S. P. Prediction of Load deflection Behaviour of two way Rc Slab using Neural Network Approach / S. P. Bamiyo, O. A. Uche, M. Adamu // International journal of optimization in civil engineering. – 2017. – Vol. 7 (4). – P. 633–644.
Papadrakakis, M. Reliability-based structural optimization using neural networks and Monte Carlo simulation / M. Papadrakakis, N. D. Lagaros // Computer Methods in Applied Mechanics and Engineering. – 2002. – Vol. 191. – P. 3491–3507. – DOI: 10.1016/S0045-7825(02)00287-6.
Lagaros, N. D. Learning improvement of neural networks used in structural optimization / N. D. Lagaros, M. Papadrakakis // Advances in Engineering Software. – 2004. – Vol. 35, Iss. 1. – Р. 9–25. – DOI: 10.1016/S0965-9978(03)00112-1.
Lagaros, N. D. An adaptive neural network strategy for improving the computational performance of evolutionary structural optimization / N. D. Lagaros, D. C. Charmpis, M. Papadrakakis // Computer Methods in Applied Mechanics and Engineering. – 2005. – Vol. 194, Iss. 33-33. – P. 3374–3393. – DOI: 10.1016/j.cma.2004.12.023.
Lagaros, N. D. Multi-objective design optimization using cascade evolutionary computations / N. D. Lagaros, V. Plevris, M. Papadrakakis // Computer Methods in Applied Mechanics and Engineering. – 2005. – Vol. 194. – P. 3496–3515.
Lagaros, N. D. Fragility assessment of steel frames using neural networks / N. D. Lagaros, M. Fragiadakis // Earthq. Spectra. – 2007. – Vol. 23. – P. 735–752. – DOI: 10.1193/1.2798241.
Ahmad, A. Prediction of Properties of FRP-Confined Concrete Cylinders Based on Artificial Neural Networks / A. Ahmad, V. Plevris, Q.-U.-Z. Khan // Crystals. – 2020. – Vol. 10. – 811 p. – DOI: 10.3390/cryst10090811.
Evaluating the Impacts of Pumping on Aquifer Depletion in Arid Regions Using MODFLOW, ANFIS and ANN / M. R. Almuhaylan, A. R. Ghumman, I. S. Al-Salamah [et al.] // Water. – 2020. – Vol. 12. – P. 2297. – DOI: 10.3390/w12082297.
Relating groundwater levels with meteorological parameters using ANN technique / M. Iqbal, U. A. Naeem, A. Ahmad [et al.] // Measurement. – 2020. – Vol. 166. – DOI: 10.1016/j.measurement.2020.108163.
Raza, A. Prediction of axial compressive strength for FRP-confined concrete compression members / A. Raza, Q. U. Z. Khan, A. Ahmad // KSCE Journal of Civil Engineering. – 2020. – Vol. 24. – P. 2099–2109. – DOI: 10.1007/s12205-020-1682-x.
The Role of Damage Extent in the Estimation of Direct Economic Losses of Existing RC Buildings / V. Manfredi, A. Masi, G. Nicodemo [et al.]. – Pisa, Italy : Pisa University Press, 2019. – Р. 36–45.
Development of Integrated Techniques to Improve Seismic Performance and Energy Efficiency of Buildings: Preliminary Results of the Experimental Campaign on RC Portal Frames / D. Nigro, A. Digrisolo, G. Ventura [et al.]. – Pisa, Italy : Pisa University Press, 2019. – Р. 128–137.
Structural health monitoring based on the hybrid ant colony algorithm by using Hooke–Jeeves pattern search / A. Shakya, M. Mishra, D. Maity, G. Santarsiero // SN Applied Sciences. – 2019. – Vol. 1. – Р. 1–14. – DOI: 10.1007/s42452-019-0808-6.
Volna, E. Introduction to Soft Computing / E. Volna // 1st ed. ; Department of Computer Science. – Ostrava, Czechia : University of Ostrava, 2013. – Р. 137.
Garrett, J. H. Neural Networks and their Applicability within Civil Engineering / J. H. Garrett // Proceedings, 8th Congress of Computing in Civil Engineering. ASCE. – New York, 1992.
Caudill, M. Naturally Intelligent Systems / M. Caudill, C. Butler. – Cambridge, Ma : MIT Press, 1990. – 314 p.
Moselhi, O. Neural networks for cost estimating of structural steel buildings / O. Moselhi, I. Siqueira // AACE Int. Transact. – 1998. – IT22.
Moselhi, O. Potential applications of neural networks in construction / O. Moselhi, T. Hegazy, P. Fazio // Canadian Journal of Civil Engineering. – 2002. – Vol. 19(3). – P. 521-529. – DOI: 10.1139/l92-061.
Betonnye i zhelezobetonnye konstrukcii = Betonnyya i zhalezabetonnyya kanstrukcyi : SP 5.03.01-2020. – Vved. 16.09.2020. – Minsk : RUP «Strojtekhnorm» : Min. arh. i str. Respubliki Belarus', 2020. – 244 s.
Golovko, V. A. Nejrosetevye tekhnologii obrabotki dannyh / V. A. Golovko, V. V. Krasnoproshin. – Minsk : Belorusskij gosudarstvennyj universitet, 2017. – 264 s.
Ronneberger, O. U-Net: Convolutional Networks for Biomedical Image Segmentation / O. Ronneberger, P. Fischer, T. Brox // University of Freiburg, Germany. – 2015. – arXiv: 1505.04597v1 [cs.CV]. – Р. 8.
Ioffe, S. Batch Normalization: Accelerating Deep Network Training by Reducing Internal Covariate Shift / S. Ioffe, Ch. Szegedy // International Conference on Machine Learning, Lille, France. – 2015. – Vol. 37. – DOI: 10.48550/arXiv.1502.03167.
Dropout i Batch normalization. Blog kompanii M. Video-El'dorado. – URL: https://habr.com/ru/companies/mvideo/articles/782360 (data obrashcheniya: 22.05.2024).
Long, J. Fully Convolutional Networks for Semantic Segmentation / J. Long, E. Shelhamer, T. Darrell // IEEE Conference on Computer Vision and Pattern Recognition (CVPR). – 2015. – DOI: 10.1109/CVPR.2015.7298965.
Barrodale, I. L1 Approximation and the Analysis of Data / I. Barrodale // Journal of the Royal Statistical Society Series C: Applied Statistics. – 1968. – Vol. 17, Iss. 1. – P. 51–57. – DOI: 10.2307/2985267.
Mean absolute error with L1 norm. – URL: https://montjoile.medium.com/l0-norm-l1-norm-l2-norm-l-infinity-norm-7a7d18a4f40c (date of access: 20.12.2023).
Python programming language and the Tensorflow framework. – URL: https://www.tensorflow.org/about/bib (date of access: 22.10.2023).
Osnovy proektirovaniya stroitel'nyh konstrukcij = Asnovy praektavannya budaunichyh kanstrukcyj : SN 2.01.01. – Vved. 16.19.2019. – Minsk : RUP «Strojtekhnorm»: Ministerstvo arhitektury i stroitel'stva Respubliki Belarus', 2020. – 89 s.
Koefficient variacii (Variation coefficient). – URL: https://wiki.loginom.ru/articles/variation-coefficient.html (data obrashcheniya: 28.02.2024).
Загрузки
Опубликован
Как цитировать
Выпуск
Раздел
Лицензия
Это произведение доступно по лицензии Creative Commons «Attribution-NonCommercial» («Атрибуция — Некоммерческое использование») 4.0 Всемирная.
Авторы предоставляют материалы на условиях лицензии CC BY-NC 4.0. Эта лицензия позволяет неограниченному кругу лиц копировать и распространять материал на любом носителе и в любом формате, но с обязательным указанием авторства и только в некоммерческих целях. Пользователи не вправе препятствовать другим лицам выполнять действия, разрешенные лицензией.
