在建筑设计过程中,结构构件的耐火性能(FR)是一个必须明确考虑的关键因素。在韩国,《疏散和防火结构标准规定》[1] 根据建筑物的使用类型和结构构件的类型,规定了所需的耐火持续时间,范围从30分钟到180分钟不等。在实际应用中,结构工程师必须确保每个结构部件都满足规定的耐火要求。在设计耐火性能时,工程师要么遵循国家标准中的规定,要么在没有此类规定的情况下,通过工程方法(包括全尺寸测试或分析模拟)来确定耐火性能。其中,依赖国家规定的方法是最高效的,因为相应的设计方程允许工程师直接且快速地预测耐火性能。
由于混凝土填充钢管(CFT)柱具有优越的结构性能和固有的耐火性能,因此它们在建筑行业中得到了广泛应用。CFT柱由钢管和填充在其中的混凝土组成,钢管从侧面限制了混凝土核心,从而提高了构件的承载能力。混凝土核心不仅提高了钢管的抗局部屈曲能力,还通过吸热作用延缓了钢材的温度上升,从而增强了耐火性能。
与实验研究并行,还提出了简化设计方法来便于评估耐火性能(FR)。例如,Ukanwa等人(2018年)[2] 编纂了36年的CFT火灾测试数据,并引入了一种基于温度的程序来估算火灾暴露下柱子的轴向承载能力。最近,Shao等人(2022年)[3] 通过统计分析温度依赖的材料特性,开发了一种用于受轴向压缩的钢筋混凝土填充钢管(RCFT)柱的设计方法,从而提高了预测的可靠性。然而,这些方法主要是针对圆形或方形截面校准的,并且仅被粗略地扩展到矩形CFT柱,而没有进行具体调整。
早期关于CFT柱耐火性能的研究主要依赖于火灾测试来研究关键参数(如截面形状、荷载比、混凝土强度和细长比)[4],[5],[6],[7],[8],[9],[10],[11],[12],[13] 的影响。这些实验研究一致表明,与方形截面相比,圆形截面的耐火性能更好,这种差异归因于不同的约束效应和与截面几何形状相关的非均匀温度分布[4],[5],[6],[7]。基于积累的实验数据,随后开发了有限元方法(FEM)模型来模拟CFT柱的火灾行为,从而能够对关键因素(如钢-混凝土界面行为(滑移和空气间隙)、初始几何缺陷和网格尺寸)进行敏感性分析[14,15]。利用FEM,已经进行了物理测试无法实现的参数研究[16],[17],[18],[19],[20],[21]。
以往关于矩形CFT柱耐火性能的研究主要是为了基本了解其行为特性。迄今为止报道的大多数研究都集中在分析特定条件下的矩形CFT柱的火灾诱导行为和失效模式,例如偏心荷载的影响、不对称火灾暴露(单侧加热)或外部防火措施的应用。通过这些研究,已经确认对于矩形截面而言,由于不对称温度分布导致的刚度中心偏移和绕弱轴的屈曲在耐火性能下降中起着关键作用,而防火措施的应用可以有效提高耐火性能[12,22,23]。然而,大多数研究基于有限的测试样本,并且孤立地考虑了各个参数的影响。因此,尚未充分研究系统考虑关键变量组合效应的综合性参数研究,以及耐火性能预测方程的开发。
尽管如此,专门针对矩形CFT柱的参数研究仍然相对较少。比较不同截面形状的耐火性能研究一致表明,耐火性能的顺序为:圆形 > 椭圆 > 方形 > 矩形,这主要是由于表面积与体积比(A/V)的差异以及由此产生的非均匀温度分布[11,19,21,22]。矩形截面的A/V较大,导致热量传递路径较短,混凝土核心的温度上升更快,且更容易发生弱轴屈曲,所有这些因素都降低了耐火性能。此外,还观察到随着荷载比的增加,耐火性能显著下降的普遍趋势[12,13,18,20,21]。另一个关键限制是实验数据的稀缺:截至2018年,在36年间积累的238次CFT柱火灾测试中,只有13个是矩形样本[2];在2019年的一个包含548个样本的数据库中,只有29个是矩形样本[24]。尽管如此,AISC 360–22附录4中提供的简化设计方程[25] 主要基于圆形和方形样本,仅考虑了最小外尺寸(宽度D),而忽略了矩形截面的深度B。因此,两个具有相同D但不同B值的矩形柱得到的耐火性能预测结果相同,这揭示了一个根本性的局限性。这强调了在评估矩形CFT柱的耐火性能时,需要一个同时考虑B和D的修正方程。
鉴于此,本研究旨在确定影响矩形CFT柱耐火性能的关键因素,并提出一个补充AISC 360–22附录4的保守设计方程[25]。虽然推导这样的设计方程需要大量数据,但全尺寸火灾测试的成本、时间和设备要求过高。因此,采用了有限元建模(FEM),并且数值模型根据先前报道的火灾测试结果进行了验证[4,12,22,23]。参数框架主要围绕AISC公式中包含的关键变量建立;然而,为了消除对局部屈曲敏感的有效屈曲长度的影响,固定了柱子的长度和边界条件。为了捕捉矩形截面的独特表面积与体积比(A/V)效应,引入了之前研究中未明确考虑的深度与宽度比值(B/D)作为额外参数。通过系统改变深度、荷载比、深度与宽度比值和混凝土强度,共进行了160次火灾模拟,从而生成了全面的数据集。使用回归分析开发了一个改进的预测方程,并根据现有的实验证据以及AISC方程和FEM结果验证了其准确性和保守性。