使用神经网络评估埃塞俄比亚建筑规范对钢筋混凝土梁弯曲变形预测的准确性

《Scientific African》:Evaluating Accuracy of Ethiopian Building Code's Prediction for flexure of RC Beam Using Neural Networks

【字体: 大 中 小 】 时间:2026年04月17日 来源:Scientific African 3.3

编辑推荐:

  格什·格布雷基丹 埃塞俄比亚提格雷地区阿克苏姆,阿克苏姆大学土木工程系,阿克苏姆,提格雷地区,埃塞俄比亚,邮政信箱1010 摘要 埃塞俄比亚建筑规范标准是一种基于理论的设计流程,旨在解决某些限制问题;然而,它并未完全符合基本材料属性的要求。本研究的目的是评估埃塞俄比

  格什·格布雷基丹
埃塞俄比亚提格雷地区阿克苏姆,阿克苏姆大学土木工程系,阿克苏姆,提格雷地区,埃塞俄比亚,邮政信箱1010

摘要
埃塞俄比亚建筑规范标准是一种基于理论的设计流程,旨在解决某些限制问题;然而,它并未完全符合基本材料属性的要求。本研究的目的是评估埃塞俄比亚建筑规范在设计简支钢筋混凝土(RC)梁时的准确性,以便进行抗弯能力测试。将按照埃塞俄比亚强制规范(CES-2015)进行的设计预测与现有的实验预测结果、基于假设的压缩力路径方法、不同规范的调整方式以及基于实验结果校准的人工神经网络(ANN)进行了比较。研究表明,人工神经网络对RC梁抗弯能力的预测与实验结果非常接近。此外,虽然压缩力路径方法比规范更接近实验结果,但其效果不如ANN。与其他方法相比,CES-2015方法在预测RC梁抗弯能力方面表现较差。因此,使用基于输入的系统方法和压缩力路径方法进行RC结构设计可以减少CES-2015规范与基本混凝土材料属性之间的不一致性。这些发现有望为从事高层建筑分析和设计工作的结构工程师提供帮助。

引言
钢筋混凝土(RC)结构的设计规范与基本混凝土属性(如峰值后应力-应变特性、裂缝扩展机制、强度敏感性、在小约束应力作用下的变形特性等)不兼容,这一现象由Kaczmarek和Szymańska[10]所解释。钢筋混凝土梁的抗弯性能是结构性能的关键方面,因此通过实验、数值方法及其他方法进行研究有助于了解其在弯曲载荷下的响应和承载能力(参见Zaiyu et al. 2023和Zaiyu et al. [19])。
《埃塞俄比亚强制规范》(CES-2015)提供了所有必要的数据,用于埃塞俄比亚所有结构元素的设计和分析,明确了必须满足的设计要求和约束条件,并定义了梁、柱、板等RC结构构件的属性,而无需进行大量实验。由于需要使用实验数据校准CES-2015规范中的设计公式,该规范的复杂性正在增加。这些基本混凝土特性与当前CES-2015规范的要求存在矛盾,因此提出了替代的设计方法,例如由Kotsovos M.D. [1999]提出的压缩力路径(CFP)方法,该方法不仅更简单、更高效,还考虑了RC结构构件的失效准则。本研究旨在评估CES-2015规范在设计简支RC梁时的抗弯能力预测准确性,以使其与实验结果和CFP方法保持一致。本研究重点比较了CES-2015规范预测的简支RC梁抗弯能力值与采用纯经验方法(人工神经网络)及压缩力路径方法获得的抗弯能力值。此外,在介绍本文开发的人工神经网络方法及其比较研究结果之前,首先简要描述了所使用的计算方法和用于训练及验证ANN的实验信息。

**关于RC梁在极限载荷(ULS)下响应的实验信息**
为了研究加载过程中RC结构响应的机制并确定多种因素的影响,对11个简支RC梁试样进行了实验。实验考虑了以下参数:梁的截面特性(即垂直于其纵轴线切割时的几何形状和尺寸)、钢筋的纵向(fyl)和横向(fyw)屈服强度(即钢材开始永久变形的应力),以及钢筋比(即钢筋面积与抵抗拉伸的有效混凝土面积之比)。

**表1. 十一个简支RC梁的实验参数**
| 序号 | b(mm) | D(mm) | fc(MPa) | ρl(%) | ρw(%) | fyl(MPa) | fyw(MPa) | L(mm) |
| --- | --- | --- | --- | --- | --- | --- | --- |
| B-1 | 100 | 170 | 300 | 0.47 | 80 | 0.59 | 54 | 5.975 | 58.63 |
| B-2 | 120 | 160 | 300 | 0.44 | 0.52 | 54 | 5.975 | 58.63 | 900 |
| B-3 | 150 | 190 | 300 | 0.33 | 0.35 | 54 | 5.975 | 58.63 | 1200 |
| B-4 | 140 | 190 | 300 | 0.33 | 0.44 | 54 | 5.975 | 58.63 | 950 |
| B-5 | 130 | 180 | 300 | 0.39 | 0.43 | 54 | 5.975 | 58.63 | 1100 |
| B-6 | 140 | 200 | 300 | 0.35 | 0.36 | 54 | 5.975 | 58.63 | 1300 |
| B-7 | 100 | 130 | 300 | 0.74 | 0.77 | 54 | 5.975 | 58.63 | 800 |
| B-8 | 150 | 210 | 300 | 0.24 | 0.32 | 54 | 5.975 | 58.63 | 1050 |
| B-9 | 110 | 160 | 300 | 0.48 | 0.57 | 54 | 5.975 | 58.63 | 900 |
| B-10 | 80 | 140 | 300 | 0.80 | 0.90 | 54 | 5.975 | 58.63 | 800 |
| B-11 | 100 | 140 | 300 | 0.80 | 0.72 | 54 | 5.975 | 58.63 | 1000 |

**表2. 人工神经网络各层之间的激活函数**
| 层 | 数学表达式 | x的取值范围 | 图形表达式 |
| --- | --- | --- | --- |
| 1(输入层与隐藏层之间) | sigmoid | f(x) = 1/e^x (0 < x < +1) |
| 2(隐藏层与输出层之间) | tanh | f(x) = e^x - e^(-x) (1 < x < -1) |

**表3. 十一个简支RC梁输入参数的相关性**
| 参数 | bdfw | ρl | ρ'fc | fy | L | b |
| --- | --- | --- | --- | --- | --- |
| 1 | 0.9996 | 2 | 1 | fw | -0.3758 | 7 | -0.4504 |
| 2 | 0.9996 | 2 | ρl | -0.6905 | 3 | -0.6747 | 4 | 0.8540 |
| 3 | 0.9996 | 2 | ρ' | 0.8286 | 5 | -0.8415 | 9 | 0.7516 |
| 4 | 0.9996 | 2 | fc | -0.0129 | 3 | 0.1661 | 5 | -0.3674 |
| 5 | 0.9996 | 2 | fy | -0.2774 | 8 | -0.4340 | 9 | 0.7787 | 16 | 0.5329 |
| 6 | 0.9996 | 2 | L | 0.6833 | 5 | -0.8415 | 9 | 0.2354 | 9 | -0.1459 | -0.4288 |
| 7 | 0.9996 | 2 | 2 | 60.0427 | 9 | 21 | 1 | -0.6833 |

**CES-2015强制建筑设计方法**
在创建任何结构构件时,将所有结构构件都放入实验中以确定其确切承载能力并不经济。因此,设计规范是一种更可行的方法,它基于实验提供近似但不精确的承载能力。埃塞俄比亚标准局(ESA)发布了CES-2015规范,该规范在建筑结构与构件技术委员会(TC-42)的指导下制定,并考虑了国家实际情况。该规范将抗弯能力或其他结构构件的近似值转换为精确值。CES-2015通过提供一些常数和通用考虑因素(如抗弯剪力公式、样本截面限制以及根据结构位置确定的荷载分布)来进行理论设计。尽管该算法没有提供精确公式,但它通过这些方程在预测RC结构承载能力时满足了相同的要求(基于平面截面假设、钢筋应变等于周围混凝土应变等)。

**压缩力路径方法**
这是一种基于力学的设计方法,描述了荷载通过混凝土压缩区的传递过程以及裂缝之间形成的悬臂构件的弯曲情况。这是一种替代设计方法,使用基于未开裂部分混凝土的有限公式来确定任何结构构件的承载能力。Kotsovos M.D. [11]研究了压缩力路径方法的基本原理,该方法通过未开裂部分将荷载从加载点传递到支撑点。利用CFP方法可以估算简支RC梁的承载能力,该方法将混凝土的重要力学特性(如脆性行为、抗弯性能、开裂机制和对三轴应力条件的敏感性)纳入梁的理论中,描述了荷载通过连续裂缝之间形成的混凝土悬臂传递的过程。

**人工神经网络**
人工神经网络(ANN)的设计灵感来源于动物和人类的神经系统及大脑,Ahmad等人[2]和Ahmad等人[3]对此进行了研究。ANN用于估算或近似依赖于大量参数的函数,这些参数的效应尚未被充分理解和量化。由于ANN具有适应性并且能够在训练过程中记住提供的信息,因此可以学习、泛化、分类并经验性地预测所需的结果[6–17]。由于ANN能够根据输入进行学习并预测输出,它们被应用于各种涉及输入的任务中,例如基于可获取的输入数据估算结构构件的承载能力。

**结论**
本研究表明,使用基于输入的系统方法和压缩力路径方法进行RC结构设计可以有效减少CES-2015规范与混凝土基本属性之间的不兼容性。研究成果有助于从事高层建筑分析与设计的结构工程师。较高的|r|值会产生更显著的效果。数据库的归一化在这种归一化过程中,维度数据被转换为具有自己最小和最大区间值的无量纲参数。当数据库中评估的参数以无量纲形式表示时,ANNs的校准和总体功能会提高它们提供准确预测的能力。这反过来又加速了学习过程,并使结果更快地收敛到精确值。为了避免与ANNs学习率低相关的困难,进一步将参数值归一化到适当的上下限之间会更有用;这一点已在[4]中有所解释。当归一化值在0.1到0.9之间时,对于实验数据来说更为有利。用作ANNs输入的数据归一化通过方程式5来表示,该方法由Krogh A和Vedelsby J(1995年)广泛采用:(5)X=(0.8XMAX?XMini)*XMini+(0.9?0.8XMAX?XMini)XMAX其中X是归一化数据的值,XMax和XMini是输入数据的最大值和最小值。使用MATLAB软件训练人工神经网络(ANNs)时,结果的准确性取决于目标值和输出值之间的差异。当ANNs预测的结果与目标值之间的差异(称为误差,用方程式6中的E表示)落在可接受范围内时,这些结果被认为是正确的。具体来说,误差必须在0到0.5之间。(6)E=1/2∑(Ti?Oi)2在前馈阶段产生的信息从输入层处理到输出层,在那里获得问题的预期解决方案。如果在MATLAB上训练ANN时没有达到收敛(即输出(预测)值与目标(数据库)值之间的差异大于预定义的可接受值),则使用“梯度下降”方法重新调整权重和偏置,直到差异减小到可接受范围内。除了目标值和输出值之间的差异外,结果的准确性还受到相关因子、均方误差(MSE)和平均绝对误差(MAE)的限制,分别由方程式7、8和9表示。(7)相关因子(R)=∑i=1n(Ti?T)/(Oi?O)/∑i=1n(Ti?T)2∑i=1n(Oi?O)2(8)均方误差(MSE)=∑i=1n(Ti2?Oi2)/n(9)平均绝对误差(MAE)=∑i=1n|Ti?Oi|/n其中n=样本总数,Tin和Oin分别是ANNs的目标值和预测输出值的平均值。R必须接近推荐值1,表明ANNs的结果与精确值或目标值非常接近。在使用MATLAB软件处理或校准ANNs时,归一化数据被分为三个子集:训练、验证和测试。MATLAB将归一化数据分为70%用于训练,15%用于验证,15%用于测试。然而,我们可以改变归一化数据在训练、验证和测试之间的分配比例,以获得更准确的结果。数据训练用于根据其不准确性调整网络。测试数据用于在训练期间和之后提供网络性能的独立衡量,而验证数据用于衡量网络的泛化能力,并在泛化停止改进时停止训练。在使用MATLAB进行ANN训练时,为获得更准确的结果需要满足以下最低要求:1) 必须有至少100次迭代(周期),包括完整的MLFFBP过程。2) 至少出现6次验证失败。当每次迭代中ANN的性能没有改善或保持不变时,即发生验证失败。3) 表示目标值和输出值之间差异的性能目标指标的值达到较小值(例如10^-6),表明已经达到收敛。ANN的训练是通过多层前馈反向传播(MLFFBP)过程在MATLAB软件上实现的,如图4所示。下载:下载高分辨率图像(305KB)下载:下载全尺寸图像图4. 8个输入的ANNs工具。经过96个周期(迭代)和六次验证检查后,人工神经网络(ANNs)产生的结果如图5所示。这个结果表明,训练符合使用MATLAB软件进行ANN训练的标准。表5. 输入的归一化值。输入数据名称XMAX(mm)XMini(mm)归一化后的值(X)b150800.1d2101300.1ρl(%)0.800.240.1ρw,(%)0.900.320.1fy,548.63543.970.1fw559.63554.630.9fc30300.9L13008000.1下载:下载高分辨率图像(223KB)下载:下载全尺寸图像图5. 训练参数。图6显示了ANNs模型的结果,R=98.415%,MSE =1.92%,MAE=0.947%,以及表5中报告的梁样本的抗弯能力。图7下载:下载高分辨率图像(604KB)下载:下载全尺寸图像图6. ANNs模型的训练。下载:下载高分辨率图像(605KB)下载:下载全尺寸图像图7. 回归、测试和训练值。比较研究表5展示了四种不同方法下十一个简支RC梁的抗弯能力。相比之下,ANNs预测的梁的抗弯能力与实验值或精确值几乎相同,而CES占其精确能力的百分比最小。此外,表5中显示的目标(实验)值与ANNs预测的抗弯能力之间的差异(E)在可接受范围内,表明ANNs对梁的抗弯能力预测是正确的。与实验结果相比,该算法仅解释了十一个简支RC梁精确抗弯能力的41.50%。其余方法CFP和ANNs分别解释了77.01%和97.09%的精确能力。表7. 不同方法的简支RC梁的抗弯能力。样本数量CES-2015 (kN-m) CFP (kN-m) ANNs (kN-m) EXP (kN-m)(T-O)^2B-1 5.64 10.46 12.48 12.5 0.0004B-2 4.55 9.53 14.08 13.5 0.3364B-3 6.17 10.33 12.54 12.64 0.01B-4 4.88 11.32 13.12 13.120B-5 5.66 8.94 11.98 120.0004B-6 6.66 10.26 1414.56 0.3136B-7 3.94 8.03 11.35 11.350B-8 5.51 8.39 10.16 10.29 0.0169B-9 4.54 9.62 11.04 11.14 0.01B-10 3.92 8.32 10.74 10.740B-11 4.91 9.43 14.48 14.78 0.09E=1/2∑(Ti?Oi)2=0.385表7. 所有方法解释的抗弯能力百分比。样本编号% CFP % ANNs % EXPB-1 45.12 83.68 99.84 100B-2 33.70 70.59 104.30 100B-3 48.81 81.72 99.21 100B-4 37.20 86.28 100.00 100B-5 47.17 74.50 99.83 100B-6 45.74 70.47 96.15 100B-7 34.71 70.75 100.00 100B-8 53.55 81.54 98.74 100B-9 40.75 86.36 99.10 100B-10 36.50 77.47 100.00 100B-11 33.22 63.80 97.97 100结论总体而言,使用人工神经网络根据现有测试数据评估了CES设计方法对简支RC梁抗弯能力预测的准确性。校准后的ANNs成功地预测了简支RC梁的抗弯能力,与实验值的偏差在几个百分点以内。ANNs结果与实验结果的接近表明,这种基于输入的方法对于估计简支RC梁的抗弯能力是一个有用的工具。ANNs程序几乎完美地拟合了实验中可用的简支RC梁抗弯能力测试数据。ANNs程序几乎是经验性的,并遵循了一个详细的数学方法,包括了所有被认为会影响抗弯能力的参数。另一方面,ANNs估计了简支RC梁超过90%的精确抗弯能力。类似神经系统的基于输入的方法(ANNs)在大多数情况下是估计简支RC梁抗弯能力的最佳选择。埃塞俄比亚标准(CES-2015)用于计算抗弯能力的编码方法是半经验性的,因为与ANN程序不同,实验结果被用来校准这些方法的理论基础。CES-2015代码中的抗弯方程被认为是保守的,低估了简支RC梁的抗弯能力33.22%到53.55%。与实验和人工神经网络的抗弯能力结果相比,CES-2015平均估计了十一个简支RC梁的抗弯能力为41.50%和41.75%。CES-2015方法无法像ANN程序那样紧密地拟合测试结果,这反映了CES-2015公式在描述测试数据所展示的抗弯行为方面的不足,可以解释为CES-2015代码设计方法的理论基础存在缺陷。因此,基于CES-2015的理论基础进行校准导致了最佳替代方法的发展。基于压缩力路径的技术是一种最佳的基于理论的替代抗弯能力估计方法,可以在不进行实验活动的情况下建立简支RC梁抗弯能力的简单标准。与CES-2015技术不同,CFP方法不需要使用实验数据来制定理论基础。CFP方法在估计抗弯能力方面比CES-2015代码方法更接近测试结果。与代码技术相比,CFP可以检测简支RC梁的抗弯能力、位置和失效原因。对抗弯点进行现实预测的抗弯承载能力、位置和结构元素失效原因表明了该方法的有效性,不仅因为其与ANN程序对于简支RC梁的情况几乎同样接近测试数据的拟合度,还因为其对抗弯承载能力、位置和结构元素失效原因的现实预测。因此,CFP是比埃塞俄比亚标准建筑规范更准确的简支RC梁抗弯结果预测器。作者声明Guesh Gebrekidan完成了研究的所有方面和手稿准备,包括概念化、方法设计、软件开发、数据收集、分析、可视化、写作(原始草稿和修订)以及整个项目管理。未引用的参考文献[1],[7],[8],[9],[12],[13],[18]
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号