Betonarme kirişlerin dış ardgerme uygulanarak rehabilitasyonu: Taşıma limit durumu için yapay zekâ tahmin modellerinin geliştirilmesi
Rehabilitation of reinforced concrete beams by applying external post-tension: Developing artificial intelligence prediction models for ultimate limit state
- Tez No: 886391
- Danışmanlar: PROF. DR. TURGUT ÖZTÜRK
- Tez Türü: Yüksek Lisans
- Konular: İnşaat Mühendisliği, Civil Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: Türkçe
- Üniversite: İstanbul Teknik Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: İnşaat Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Yapı Mühendisliği Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Beton rehabilitasyon konusu, mevcut yapıların performansının arttırılması ve korunmasına yönelik artan ihtiyaç nedeniyle son zamanlarda büyük ilgi ve önem kazanmıştır. Beton rehabilitasyonu için mevcut çeşitli teknikler arasında, ardgerme ile güçlendirme yöntemleri gibi aktif tekniklerin oldukça etkili ve pratik çözümler olduğu kanıtlanmıştır. En sık kullanılan ardgerme güçlendirme uygulamalarından biri, yapım kolaylığı ve düşük maliyet nedeniyle yapı üzerine dış ardgerme tendonlarının yerleştirilmesidir. Ardgerme ilkesi, betonun çekme gerilmelerine göre basınç karşısında daha dayanıklı olduğu temel kavramına dayanmaktadır. Bu nedenle, betonarme bir elemana ardgerme uygulanması, tendonlara çekme gerilimi vermeyi amaçlar, bu da dışarıdan yerleştirilen uç ankrajları ve deviatörler yoluyla beton elemana basınç gerilimi sağlar. Bu teknik, yapısal bütünlüğü güçlendirir ve elemanın yük taşıma kapasitesini artırarak beton rehabilitasyonu için güvenilir bir çözüm sunar. Dış ardgerme güçlendirme tekniklerinin esas olarak yüklemeye karşı malzeme tepkisi, yükleme sırasındaki geometrik bozukluklar ve bağlanmamış tendonlar ile beton deformasyonları arasındaki davranış farklılıkları nedeniyle çoklu doğrusal olmayan davranışlar sergilediğini vurgulamak önemlidir. Bu belirsizlikler, rehabilite edilen yapının sürdürülebilirliğini ve etkinliğini tehlikeye atabilir, bu da yapının amaçlandığı gibi çalışmayabileceği anlamına gelir. Sonuç olarak harici ardgermeli kiriş taşıma sınırına ulaştığında bağlanmamış tendonların gerilmesini tahmin etmek ve kirişin eğilme dayanımını belirlemek için çok sayıda çalışma yapılmıştır. Ancak hâlâ daha reasyonel, net ve işlevsel bir yaklaşımın geliştirilmesine ihtiyaç var. Bu nedenle bu araştırma, yapay zeka tekniklerini (AI), özellikle makine öğrenimi algoritmalarını kullanarak taşıma limitin tendon stresine ilişkin pratik bir tahmin modeli sunmayı amaçlamaktadır. Bu amaçla, makine öğrenimi tahmin modellerini geliştirmek için, bağlı olmayan dış ardgerme tendonlarıyla güçlendirilmiş 133 betonarme kirişten oluşan, literatürdeki 28 deneysel çalışmayı kullanarak kapsamlı bir bir veritabanı oluşturulmuştur. Bu veritabanı, dış ardgerme tendonlarıyla güçlendirilmiş 133 betonarme kirişten oluşmaktadır (kirişlerin 24'ü FRP tendonlarla güçlendirilmiş, diğer 109'u ise yüksek mukavemetli çeliktir). Ayrıca dört tasarım kodu modeli ve literatürde bulunan dört rasyonel model ile kritik kesit veya tüm eleman incelemelerine dayalı teorik analizlerle kapsamlı bir karşılaştırma yapılmıştır. Bu kapsamlı karşılaştırmaya dayanarak, bu araştırmada kullanılan topluluk öğrenme algoritmaları güvenilirliklerini göstermiş ve en yüksek dış ardgerme gerilmelere ilişkin tahmin modelleri oluşturmada diğer geleneksel modellerden daha iyi performans göstermiştir. Bu modeller yüksek doğruluk ve düşük hata yüzdeleri (R2>%90, MAE<100 MPa, RMSE<120 MPa, MAPE <%10) göstermiştir. Ek olarak, DBA tendonlarının efektif gerilimi ile birlikte tendon eksantriklik varyasyonlarının (özellikle dpm/eps oranı) etkisinin birçok makine öğrenimi tahmin modelinde etkili olduğu fark edilmiştir. Geleneksel modellerle ilgili olarak, koda dayalı tahmin modellerinin farklı düzeylerde konservatiftik sergilediği anlaşılmıştır (en büyüğü TS 3233 koduydu). Ayrıca, rasyonel modeller, yüksek mukavemetli çelik tendonlarla güçlendirilmiş kirişlerle karşılaştırıldığında, FRP tendonlarla güçlendirilen kirişlerin doğruluğunda önemli bir azalma olduğunu gösterdi. Bu nedenle, özellikle FRP tendonları için, bağlanmamış ardgerme tendonları ile dışarıdan güçlendirilmiş kirişler üzerinde daha fazla araştırma yapılması şiddetle tavsiye edilir. Önerilen makine öğrenimi tahmin modelinin performansının doğrulanmasının ardından, model, kompozit bir öngermeli I-kirişin moment kapasitesini tahmin etmek için pratik olarak uygulanmıştır. Öngermeli I-kirişi uç ankrajlar ve iki deviatör aracılığıyla harici tendonlarla güçlendirildi. Gerinim uyumluluk analizi, Washington Eyaleti Ulaştırma Bakanlığı tarafından belirtilen spesifikasyonlara uygun olarak moment kapasite analiz yöntemi kullanılarak gerçekleştirildi.
Özet (Çeviri)
The topic of concrete rehabilitation has recently gained significant interest and importance due to the increasing need to maintain and improve the performance of existing structures. Among the various techniques available for concrete rehabilitation, active techniques such as prestressing strengthening methods have proven to be highly effective and practical solutions. One of the most commonly used and significant prestressing strengthening applications involves placing external post-tension tendons on the element due to its ease of construction and bearable cost. The principle of post-tensioning is based on the fundamental concept that concrete is more resilient under compression than tension stresses. Hence, applying post-tension to a reinforced concrete element aims to introduce tensional stress to the tendons, which in turn provide compressive stress to the element through externally placed end anchorages and deviators. This technique bolsters the structural integrity and augments the load-bearing capacity of the element, offering a dependable solution for concrete rehabilitation. External post-tension (EPT) tendons can be incorporated into newly constructed or deteriorated elements, further enhancing their durability. Since the early fifties, many studies have been conducted to estimate the flexural behavior of externally unbonded post-tensioned beams targeting the stress in unbonded tendons. Generally, in the literature, there are two basic ways to examine the behavior of EPT beams: section-based analysis and member-based analysis. The section-based analysis examines the element's critical sections similarly to the bonded tendons case. In this analysis, it is common for researchers to rely on the differences between the ultimate strain increase in bonded and unbonded tendons, in which unbonded tendons experience a much smaller ultimate strain increase than bonded tendons. On the other hand, the member-based analysis examines the entire member's behavior during the loading. In this analysis, researchers work on finding a connection between the loading response of the unbonded tendons and the reinforced concrete beam member by analyzing the possible failure mechanisms of the entire system, mainly the plastic hinge collapse mechanism. Further elaboration on this subject can be found in Section 1.1. It's important to highlight that the external post-tensioning strengthening techniques exhibit multiple nonlinear behaviors mainly due to material response to loading, geometrical disorders during loading, and variations in behavior between unbonded tendons and concrete deformations. These uncertainties can compromise the reliability and effectiveness of the rehabilitated structure, meaning it may not operate as intended. Therefore, there is still a need for further development of a more rational, accurate, and functional approach that accounts for the nonlinear behavior of the EPT beams when predicting the ultimate stress of unbonded tendons. As a result, this research aims to propose a practical prediction model of the ultimate tendon stress by employing artificial intelligence techniques, specifically machine learning algorithms. Many studies have shown that machine learning algorithms have successfully built prediction models with high accuracy levels and low error percentages in many aspects of structural engineering problems. In addition, machine learning prediction models are more straightforward to utilize than conventional empirical equations or numerical models. This research created a comprehensive dataset using 28 experimental studies from the literature, which comprises 133 reinforced concrete beams strengthened with unbonded EPT tendons to develop machine learning prediction models. Further elaboration on the dataset subject can be found in Section 5.1. Additionally, a thorough comparison has been made with four design code models: TS 3233, ACI 318-19 with 440.2R specifications, CSA 23.2A with S806-02 specifications, and BS 8110, in addition to four rational models found in the literature: Mutsuyoshi et al. 1996, Artivan et al. 1998, Ng 2003 and Hue and Liu 2007, with theoretical analyses based on specific section or whole member examinations. It is important to note that the numerical values of the equations used in each code and rational model are based on laboratory studies with specific tendon configurations, including materials, geometrical placements, and the number of deviators. Therefore, the performance evaluation process of these models involves dividing the dataset of 133 beams into 7 sets based on the material of the strengthening tendons and the number of deviators each beam had. The purpose of creating these seven subsets is to assess the predictive capability of these models regarding the ultimate stress of external tendons reached just before the reinforced concrete beam failed with varying tendon configurations. Further elaboration on the comparison subject can be found in Section 5.1.2 and Chapter 6, respectively. In light of this thorough comparison, certain machine learning prediction models generated in this study, specifically those developed using ensemble learning algorithms, have exhibited their dependability and surpassed other traditional models in building prediction models of ultimate external post-tension stresses. These models have shown high accuracy and low error percentages (R2 > 90%, MAE < 100 MPa, RMSE < 120 MPa, MAPE <10%). The boosting ensemble algorithms in this study produced models with high predictive accuracy based on the collected database. These algorithms aim to create accurate models by combining multiple weak learners to form a strong learner within the ensemble learning framework. This research observed that employing the steepest gradient descent method to minimize the loss function contributes to the increased accuracy and efficiency of these boosting algorithms when applied to the collected database within the context of this study. Parallel ensemble algorithms that aggregate diverse base estimators have also shown strong predictive capabilities by leveraging diverse base estimators. These ensemble methods often show improved generalization compared to single models. Randomization techniques during training are important for reducing correlation between base estimators and improving prediction accuracy, highlighting the significance of diversity within the ensemble learning framework to mitigate overfitting and capture a comprehensive range of data patterns. The study findings indicate that variations in the eccentricity of the tendon, particularly the“dpm/eps”parameter, as well as the initial effective strain of EPT tendons“εpe,”strongly influence the predicted value“fps.”These variables are crucial in many machine learning prediction models developed in this research. Thus, this supports the initial hypothesis that the use of artificial intelligence techniques in structural engineering not only aids in solving the investigated problem but also deepens our understanding of it. Finally, related to traditional models, it was evident that code-based prediction models exhibited varying levels of conservatism (the highest being the TS 3233 codes). Moreover, rational models showed a considerable decrease in accuracy for beams strengthened by FRP tendons compared to those strengthened by high-strength steel tendons. Thus, it is strongly recommended to conduct further investigations into externally strengthened beams by unbonded post-tension tendons, particularly for FRP tendons. Following the verification of the accuracy of the proposed machine learning prediction model, the model has been practically applied to predict the moment capacity of a composite I-girder. The I-girder was internally pre-tensioned and subsequently reinforced with external tendons through end anchors and two deviators. The strain compatibility analysis was conducted using the moment capacity analysis method in accordance with the specifications outlined by the Washington State Department of Transportation.
Benzer Tezler
- Modelling of building structures for lateral lood analysis
Başlık çevirisi yok
CUMHUR TUFAN BOZ
Yüksek Lisans
İngilizce
1987
İnşaat MühendisliğiOrta Doğu Teknik ÜniversitesiPROF. DR. ERGİN ÇITIPITIOĞLU
- Betonarme bacalar hiperbolik soğutucular ve projelendirme esasları
Başlık çevirisi yok
ÖZDEN İPEKÇİ
Yüksek Lisans
Türkçe
1987
İnşaat MühendisliğiKaradeniz Teknik Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
DOÇ. DR. AHMET DURMUŞ
- Çerçeve sistem yapıların mekanik davranışları ve betonarme narin kolonların hesabı
Mechanical behavior of frame structures and computation of slender reinforced concrete columns
YUSUF AYVAZ
Yüksek Lisans
Türkçe
1987
İnşaat MühendisliğiKaradeniz Teknik Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
DOÇ.DR. AHMET DURMUŞ
- Betonarme siloların projelendirilmesinde kullanılan yöntem ve yönetmeliklerin karşılaştırılması
Başlık çevirisi yok
ÜZEYİR AYAZOĞLU
Yüksek Lisans
Türkçe
1987
İnşaat MühendisliğiKaradeniz Teknik Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
DOÇ. DR. AHMET DURMUŞ
- Betonarme konut tipi bir yapının taşıma gücüne göre bilgisayarla projelendirilmesi
Başlık çevirisi yok
NİLGÜN YAZICI
Yüksek Lisans
Türkçe
1987
İnşaat MühendisliğiKaradeniz Teknik Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
DOÇ. DR. AHMET DURMUŞ