首页> 外文OA文献 >NEURAL NETWORK MODELLING OF STRESS-STRAIN RELATIONSHIPS FOR TENSILE CONCRETE IN FLEXURE/TEMPIAMO BETONO LENKIANT ĮTEMPIŲ DEFORMACIJŲ DIAGRAMŲ MODELIAVIMAS NEURONINIAIS TINKLAIS
【2h】

NEURAL NETWORK MODELLING OF STRESS-STRAIN RELATIONSHIPS FOR TENSILE CONCRETE IN FLEXURE/TEMPIAMO BETONO LENKIANT ĮTEMPIŲ DEFORMACIJŲ DIAGRAMŲ MODELIAVIMAS NEURONINIAIS TINKLAIS

机译:弯曲/拉伸混凝土弯曲张力张力张力张力张力张力张力张力解子应力 - 应变关系的神经网络建模 - 神经网络建模

代理获取
本网站仅为用户提供外文OA文献查询和代理获取服务,本网站没有原文。下单后我们将采用程序或人工为您竭诚获取高质量的原文,但由于OA文献来源多样且变更频繁,仍可能出现获取不到、文献不完整或与标题不符等情况,如果获取不到我们将提供退款服务。请知悉。

摘要

Straipsnyje pateikiama daugiaparametrio tempiamo betono lenkiant fizikinio modelio sukūrimo metodika, naudojant neuroninius tinklus. Tai ankstesnio straipsnio [9], kuris supažindino su grįžtamuoju neuroniniu tinklu (backpropagation neural network), tinklo „mokymo” taisyklėmis, dinaminiais mazgų kūrimo principais bei fizikinių modelių kūrimo neuroniniais tinklais metodologia, tęsinys.Kuriant tempiamo betono neuroninių tinklų fizikinį modelį, buvo panaudotos anksčiau gautos [3] tempiamo betono įtempių-deformacijių kreivės (1 ir 2 pav.). Šios kreivės buvo nu- statytos iš eksperimentinių gelžbetoninių sijų momentų-kreivių diagramų [4], taikant neseniai sukurtą. metodą. [1–3]. Eksperimentinės sijos buvo skirtingo skerspjūvio aukščio, skyrėsi jų armavimo koeficientas ir armatūros strypų skersmuo (1 lent.).Gautų įtempių-deformacijų kreivių analizė parodė, kad jų forma priklauso nuo įvairių parametrų, pateiktų 2 ir 3 lentelėse. Idealiu atveju tempiamo betono deformacija ir šie parametrai turėtų atitikti neuroninio tinklo pradinių duomenų sluoksnio mazgus. Kadangi nepakako eksperimentinių duomenų, šiame darbe buvo pasirinkti še⋅i pradinių duomenų sluoksnio mazgai (3 pav.): tempiamo betono deformacija, betono stiprumas tempiant, betono tamprumo modulis, armavimo procentas, armatūros strypų skersmuo ir sijos skerspjūvio aukštis. Rezultatų sluoksnyje imtas vienas mazgas, atitinkantis tempiamo betono įtempius (3 pav.).Buvo sukurti du neuroniniai tinklai. Pirmuoju atveju tinklo “mokymui” buvo panaudoti visų 14 sijų duomenys. Antruoju atveju buvo panaudoti 10 sijų duomenys, o likusios keturios sijos buvo paliktos tinklui testuoti. Abiem atvejais, prieš “apmokant” tinklus, buvo imti du tarpiniai sluoksniai, kurių kiekviename buvo po du mazgus. Baigus mokymą, tarpiniuose sluoksniuose buvo po penkis mazgus.Gautas geras neuroniniais tinklais apskaičiuotų bei eksperimentinių tempiamo betono įtempių-deformacijų (4 ir 5 pav.) bei momentų-kreivių diagramų (6 pav.) atitikimas.First Published Online: 26 Jul 2012
机译:本文介绍了使用神经网络创建多医用拉伸混凝土的方法。这是在以前的文章[9],其中介绍了推荐神经网络(BP神经网络)网络“培训”的规则,动态节点发展的原则和物理模型的神经网络的发展,继续。使用拉伸混凝土神经元网络的物理模型先前得到的[3]张力混凝土应力 - 变形曲线(图1和2)。这些曲线是由最近创建的钢筋混凝土梁[4]的实验图构建的。方法。 [1-3]。不同横截面的高度不同,并且加强杆的直径在实验面包的高度中不同。接收的应力变形曲线的分析表明,它们的形式取决于表2和3中呈现的各种参数。理想地,拉伸混凝土的偏转和这些参数应对应于神经网络的初始数据层的节点。由于实验数据是不充分的,被选择用于初始数据层节点(图3)这项工作:拉伸混凝土变形,混凝土强度张紧,混凝土模块,加强钢筋和光束剖面高度的百分比。在与张力混凝土应力相对应的结果的层中拍摄一个节点(图3)。建立了两个神经产网络。在第一种情况下,网络“训练”已被用于所有14个光束数据。在第二种情况下,使用10个光束数据,并且剩余四个光束留下来测试网络。在这两种情况下,在“训练”网络之前采集了两个中间层,每个中间都是两个节点。完成培训后,中间层中的五个节点是。给出了良好的神经元网络计算和实验张力混凝土应力 - 变形(图4和5)和力矩-弯曲图(图6)。首次出版在线:2012年7月26日

著录项

相似文献

  • 外文文献
  • 中文文献
  • 专利
代理获取

客服邮箱:kefu@zhangqiaokeyan.com

京公网安备:11010802029741号 ICP备案号:京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有
  • 客服微信

  • 服务号