АНАЛИЗ НЕЙРОСЕТЕВЫХ МОДЕЛЕЙ С ПОЛНОСВЯЗНОЙ АРХИТЕКТУРОЙ, ИСПОЛЬЗОВАННЫХ В РАСЧЁТАХ СОПРОТИВЛЕНИЯ ПРОДАВЛИВАНИЮ В ЖЕЛЕЗОБЕТОННЫХ ПЛИТАХ
DOI:
https://doi.org/10.36773/1818-1112-2026-139-1-64-78Ключевые слова:
железобетонные плиты, сопротивление продавливанию, нейросетевое моделирование, сложное напряжённо-деформированное состояние, оценка точности нейросетевых моделей, цифровое моделированиеАннотация
В железобетонных плитах при продавливании на небольшой площади, окружающей колонну, возникает сложное напряжённо-деформированное состояние, включающее деформации изгиба, сдвига и кручения, которое приводит к хрупкому разрушению в предельном состоянии. Проведённые к настоящему времени многочисленные экспериментальные и теоретические исследования, позволили разработать ряд расчётных аналитических моделей сопротивления продавливанию, наиболее точные из которых введены в действующие нормативно-технические документы. Однако они обладают недостаточной точностью и требуют усовершенствования. Интенсивное развитие в последние годы нейросетевых технологий позволило использовать машинное обучение во многих инженерных расчётах, в том числе и в предсказании величины сопротивления продавливанию. В данной работе выдвинута гипотеза цифрового моделирования сопротивления продавливанию с применением нейросетевых технологий, которое позволит сократить количество экспериментальных испытаний реальных образцов плит. Разработаны нейросетевые модели с полносвязной архитектурой, для которых проведено исследование влияния на точность модели количества скрытых слоёв и количества нейронов в скрытом слое. Выполнена проверка влияния количества образцов в тренировочной выборке на точность нейросетевой модели. В качестве оценки точности нейросетевых моделей были использованы общепринятые и достаточно широко использующиеся в современной практике математические статистики: коэффициент корреляции Пирсона (r), коэффициент детерминации (R2), нормализованное по среднему значение среднеквадратичной ошибки CV(RMSE), нормализованное по среднему значение средней абсолютной ошибки CV(MAE), а также средняя ошибка модели (d), полученная по вектору ошибок (δ), и коэффициент вариации (Vd) вектора ошибок δ [41]. В результате проведённых исследований, несмотря на достаточно высокую точность разработанных нейросетевых моделей гипотеза цифрового моделирования была отклонена. Тем не менее, авторы считают, что существует возможность создания нейросетевой модели, обладающей достаточной точностью для использования её в цифровом моделировании.
Библиографические ссылки
Shen, Y. Interpretable Machine Learning Models for Punching Shear Strength Estimation of FRP Reinforced Concrete Slabs / Y. Shen, J. Sun, S. Liang // Crystals. – 2022. – № 259.
The Machine-Learning-Based Prediction of the Punching Shear Capacity of Reinforced Concrete Flat Slabs: An Advanced M5P Model Tree Approach / M. H. Abdallah, Z. A. Thoeny, S. N. Henedy [et al.] // Appl. Sci. – 2023. – Vol. 13. – P. 8325. – DOI: 10.3390/app13148325.
Silva Júnior, F. E. S. Machine learning models to predict the punching shear strength of reinforced concrete flat slabs / F. E. S. Silva Júnior, W. J. S. Gomes // Rev. IBRACON Estrut. Mater. – 2023. – Vol. 16, № 4, Art. 16405. – DOI: 10.1590/S1983-41952023000400005.
Молош, В. В. Сопротивление срезу при продавливании самонапряженных плоских железобетонных элементов без поперечного армирования : дис. ... канд. тех. наук : 01.07.14 / Виктор Викторович Молош. – Брест, 2014. – 226 л.
Kinnunen, S. Punching of concrete slabs without shear reinforcement / S. Kinnunen, H. Nylander. – Stockholm, Sweden : KTH Royal Institute of Technology, 1960. – 112 p.
Broms, C. E. Elimination of flat plate punching failure mode / C. E. Broms // ACI Structural Journal. – 2000. – Vol. 97. – P. 94–101.
Broms, C. E. Concrete flat slabs and footings-design method for punching and detailing for ductility. Ph. D. Thesis / C. E. Broms. – Stockholm, Sweden : KTH Royal Institute of Technology, 2005. – 114 p.
Tian, Y. Strength Evaluation of Interior Slab-Column Connections / Y. Tian, J. O. Jirsa, O. Bayrak // ACI Structural Journal. – 2008. – Vol. 105. – P. 692–700.
Stasio, D. Transfer of Bending Moment between Flat Plate Floor and Column / D. Stasio, M. R. V. Buren // ACI Structural Journal. – 1960. – Vol. 57. – P. 299–314.
Moe, J. Shearing Strength of Reinforced Concrete Slabs and Footings under Concentrated Loads / J. Moe. – Skokie, Illinois : Portland Cement Association, 1961. – 130 p.
GB 50010–2010. Code for design of concrete structures : national standard of the People's Republic of China / MOHURD (Ministry of Housing and Urban-Rural Development). – Beijing : China Architecture & Building Press, 2015. — P. 232–236.
ACI 318-19. Building code requirements for structural concrete and commentary : American Concrete Institute standard / American Concrete Institute. – Farmington Hills, MI : ACI, 2019. – 624 p.
Muttoni, A. Punching shear strength of reinforced concrete slabs without transverse reinforcement / A. Muttoni // ACI Structural Journal. – 2008. – Vol. 105. – P. 440–450.
A Modified Compression Field Theory Based Analytical Model of RC Slab-Column Joint without Punching Shear Reinforcement / L. F. Wu, T. C. Huang, Y. L. Tong, S. X. Liang // Buildings. – 2022. – Vol. 12. – 226 p.
Punching Shear Strengths of RC Slab-Column Connections: Prediction and Reliability / P. Chetchotisak, P. Ruengpim, D. Chetchotsak, S. Yindeesuk // KSCE Journal of Civil Engineering. – 2018. – Vol. 22. – P. 3066–3076.
Mohammed, T. A. Post-Earthquake Fire Punching Shear Behavior of GFRP-Reinforced Slab-Column Connections / T. A. Mohammed, S. Shirtaga // Hindawi Advances in Civil Engineering. – Vol. 23 (February 2023). – Article ID 7596032. – 25 p. – DOI: 10.1155/2023/7596032.
Geetha, N. K. Overview of machine learning and its adaptability in mechanical engineering / N. K. Geetha, P. Bridjesh // Materials Today. – 2020. – Vol. 4. – P. 395–399.
Machine-learning interpretability techniques for seismic performance assessment of infrastructure systems / S. Mangalathu, K. Karthikeyan, D. C. Feng, J. S. Jeon // Engineering Structures. – 2022. – Vol. 250. – Art. 112883.
Development of data‐driven prediction model for CFRP‐steel bond strength by implementing ensemble learning algorithms / S. Z. Chen, D. C. Feng, W. S. Han, G. Wu // Construction and Building Materials. – 2021. – Vol. 303. – Art. 124470.
Implementing ensemble learning methods to predict the shear strength of RC deep beams with/without web reinforcements / D. C. Feng, W. J. Wang, S. Mangalathu [et al.] // Engineering Structures. – Vol. 2021. – Vol. 235. – Art. 111979.
A probabilistic bond strength model for corroded reinforced concrete based on weighted averaging of non‐fine‐tuned machine learning models / B. Fu, S. Z. Chen, X. R. Liu, D. C. Feng // Construction and Building Materials. – 2022 – Vol. 318. – Art. 125767.
Nasiri, S. Machine learning in predicting mechanical behavior of additively manufactured parts / S. Nasiri, M. R. Khosravani // Journal of Materials Research and Technology. – 2021. – Vol. 14. – P. 1137–1153.
Hoang, A. N. D. Estimating punching shear capacity of steel fibre reinforced concrete slabs using sequential piecewise multiple linear regression and artificial neural network / A. N. D. Hoang // Measurement. – 2019. – Vol. 137. – P. 58–70.
Nguyen, H. D. Development of extreme gradient boosting model for prediction of punching shear resistance of r/c interior slabs / H. D. Nguyen, G. T. Truong, M. Shin // Engineering Structures. – 2021. – Vol. 235. – Art. 112067.
Explainable machine learning models for punching shear strength estimation of flat slabs without transverse reinforcement / S. Mangalathu, H. Shin, E. Choi, J. S. Jeon // Journal of Building Engineering. – 2021. – Vol. 39. – Art. 102300.
Truong, G. T. Assessment of punching shear strength of FRP-RC slab-column connections using machine learning algorithms / G. T. Truong, H. J. Hwang, C. S. Kim // Engineering Structures. –2022. – Vol. 255. – Art. 113898.
A machine learning framework for predicting the shear strength of carbon nanotube‐polymer interfaces based on molecular dynamics simulation data / A. Rahman, P. Deshpande, M. S. Radue [et al.] // Composites Science and Technology. – 2021. – Vol. 207. – Art. 108627.
Ilawe, N. V. Breaking Badly: DFT‐D2 Gives Sizeable Errors for Tensile Strengths in Palladium‐Hydride Solids / N. V. Ilawe, J. A. Zimmerman, B. M. J. Wong // Journal of Chemical Theory and Computation. – 2015. – Vol. 11. – P. 5426–5435.
Compressive Strength Prediction of High-Strength Concrete Using Long Short-Term Memory and Machine Learning Algorithms / H. G. Chen, X. Li, Y. Q. Wu [et al.] // Buildings. – 2022. – Vol. 12. – Art. 302.
Data-Driven Compressive Strength Prediction of Fly Ash Concrete Using Ensemble Learner Algorithms / M. S. Barkhordari, D. J. Armaghani, A. S. Mohammed, D. V. Ulrikh // Buildings. – 2022. – Vol. 12. – Art. 132.
Shear Strength Prediction of Slender Steel Fiber Reinforced Concrete Beams Using a Gradient Boosting Regression Tree Method / A. Shatnawi, H. M. Alkassar, N. M. Al-Abdaly [et al.] // Buildings. – 2022. – Vol. 12. – Art. 550.
Jiang, Y. M. Compressive Strength Prediction of Fly Ash Concrete Using Machine Learning Techniques / Y. M. Jiang, H. Y. Li, Y. S. Zhou // Buildings. – 2022. – Vol. 12. – Art. 690.
Shen, Y. X. Explainable machine learning-based model for failure mode identification of RC flat slabs without transverse reinforcement / Y. X. Shen, L. F. Wu, S. X. Liang // Engineering Failure Analysis. – 2022. – Vol. 141. – Art. 106647.
Fu, B. A machine learning-based time-dependent shear strength model for corroded reinforced concrete beams / B. Fu, D. C. Feng // Journal of Building Engineering. – 2021. – Vol. 36. – Art. 102118.
Головко, В.А. Нейросетевые технологии обработки данных / В. А. Головко, В. В. Краснопрошин. – Минск : БГУ, 2017. – 264 с.
Hou, R. Prediction of the shear capacity of ultrahigh-performance concrete beams using neural network and genetic algorithm / R. Hou, Q. Hou // Scientific Reports. – 2023. – https://www.nature.com/ articles/s41598-023-29342-0 (дата обращения: 17.01.2026).
Shen, L. Reliability Analysis of RC Slab-Column Joints under Punching Shear Load Using a Machine Learning-Based Surrogate Model / L. Shen, Y. Shen, Sh. Liang // Buildings. – 2022. – Vol. 12. – Art. 1750. – DOI: 10.3390/buildings12101750.
Xu, H. H. Dependent Evidence Combination Based on Shearman Coefficient and Pearson Coefficient / H. H. Xu, Y. Deng // IEEE Access. – 2018. – Vol. 6. – P. 11634–11640.
Abellan-Garcia, J. Properties prediction of environmentally friendly ultra-high-performance concrete using artificial neural networks / J. Abellan-Garcia, F. Gomez, N. Torres Castellanos // European Journal of Environmental and Civil Engineering. – 2022. – Vol. 26, № 6. – P. 2319–2343.
Du, G. Prediction of the compressive strength of high-performance self-compacting concrete by an ultrasonicrebound method based on a GA-BP neural network / G. Du, L. Bu, Q. Hou // PLoS ONE. – 2021. – Vol. 16, № 5. – Art. e0250795. – DOI: 10.1371/journal.pone.0250795.
Основы проектирования строительных конструкций = Асновы праектавання будауничых канструкцый : СН 2.01.01. – Введ. 16.19.2019. – Минск : РУП «Стройтехнорм» ; Мин. арх. и стр.-ва Респ. Беларусь, 2020. – 89 с.
Hinkle, D. E. Applied statistics for the behavioral sciences / D. E. Hinkle, W. Wiersma, S. G. Jurs. – 5th ed. – Boston ; New York : Houghton Mifflin Company, 2003. – 756 p.
Статистика : учеб. для студ. учреждений сред. проф. образования / В.С. Михтарян, В. Г. Минашкин, Р. А. Шмойлова, Н. А. Садовникова ; под ред. В. С. Михтаряна. – 12-е изд. перераб. и доп. – М : Академия, 2013. – 304 с.
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.
