ISSN 2541-7592

НАУЧНЫЙ ЖУРНАЛ
СТРОИТЕЛЬСТВА И АРХИТЕКТУРЫ

Русский 
English 
    

 



Правила написания
и оформления статей

Правила
рецензирования

Памятка рецензента


Публикационная
этика 











 


Архив выпусков

Выпуск 2 (54), 2019


Моделирование прочности сцепления арматуры с бетоном на основе искусственной нейронной сети


Николюкин А. Н., Ярцев В. П., Бондарев Б. А., Корнеева А. О.


Николюкин А. Н., аспирант кафедры конструкций зданий и сооружений, Тамбовский государственный технический университет, Россия, г. Тамбов, тел.: +7-953-717-16-44, e-mail: valax1@yandex.ru

Ярцев В. П., д-р техн. наук, проф. кафедры конструкций зданий и сооружений, Тамбовский государственный технический университет, Россия, г. Тамбов, e-mail:kzis@nnn.tstu.ru

Бондарев Б. А., д-р техн. наук, проф. кафедры строительного материаловедения и дорожных технологий, Липецкий государственный технический университет, Россия, г. Липецк

Корнеева А. О., канд. техн. наук, доц. кафедры строительного материаловедения и дорожных технологий, Липецкий государственный технический университет, Россия, г. Липецк

 
 
Постановка задачи. Одной из главных причин потери несущей способности железобетонных конструкций считается нарушение сцепления между арматурой и бетоном. Вследствие этого возникает необходимость в изучении изменения величины сцепления арматурного стержня и бетона под различными воздействиями. Следует отметить, что в связи с внешними и технологическими воздействиями механические характеристики бетона подвержены изменению, что непосредственно оказывает влияние на величину сцепления. 
Результаты и выводы. С помощью искусственных нейронных сетей получена аналитическая модель, описывающая конечную прочность сцепления через средние значения касательных напряжений. В качестве объекта исследования выступает бетон различных классов прочности, армированный металлической и композитной арматурой. 
Установлено, что величина сцепления связана с прочностными характеристиками бетона и видом применяемой арматуры. Также разработана двухслойная нейронная сеть с обратным распространением сигнала, которая с высокой точность описывает величину сцепления арматуры с бетоном. 
 
Ключевые слова: сцепление, бетон, арматура, композитная арматуры, искусственные нейронные сети, модель.


DOI: 10.25987/VSTU.2019.54.2.001

 

Библиографический список

1. Анкеровка ненапрягаемой стержневой арматуры / С. А. Мадатян, Т. Д. Тулеев, В. Н. Фридлянов [и др.] // Бетон и железобетон. — 1990. — № 12. — С. 9—11.
2. Котова, К. С. Изучение сцепления различных видов арматуры с пенобетоном / К. С. Котова, Г. С. Славчева // Строительство и реконструкция. — 2018. — № 1 (75). — С. 114—123.
3. Назаренко, П. П. Контактное взаимодействие арматуры в бетоне в элементах железобетонных конструкций: автореф. … дис. д-ра техн. наук / П. П. Назаренко. — М., 1998. — 34 с.
4. Оатул, А. А. Предложения к построению теории сцепления арматуры с бетоном / А. А. Оатул // Бетон и железобетон. — 1968. — № 12. — С. 8—10.
5. Судаков, Г. Н. Метод расчета арматуры периодического профиля с бетоном с учетом внутренних контактных трещин: дис. … канд. техн. наук / Г. Н. Судаков. — М.: НИИЖБ, 1982. — 205 с.
6. Сцепление стержневой арматуры периодического профиля с бетоном / М. М. Холмянский, Б. С. Гольдфайн, В. М. Кольнер [и др.] // Сцепление арматуры с бетоном. — М., 1971. — С. 31—37.
7. Холмянский, М. М. Контакт арматуры с бетоном / М. М. Холмянский. — М.: Стройиздат, 1981. — 184 с.
8. Экспериментальные исследования прочности сцепления стеклопластиковой арматуры с цементно-песчаным бетоном / А. Н. Николюкин, В. П. Ярцев, И. И. Коломникова [и др.] // Транспортные сооружения. — 2019. — Т. 6, № 1. — DOI: 10.15862/02SATS119.
9. Adhikary, B. B. Prediction of shear strength of steel fiber RC beams using neural networks / B. B. Adhikary, H. Mutsuyoshi // Constr. Build. Mater. — 2006 — № 20 (9). — P. 801—811.
10. Artificial neural network model for steel-concrete bond prediction / Z. H. Dahou, Z. M. Sbartai, A. Castel [et al.] // Eng. Struct. — 2009. — № 31 (8). — P. 1724—1733.
11. Ashour, A. F. Empirical modeling of shear strength RC deep beams by genetic programming / A. F. Ashour, L. F. Alvarez, V. V. Toropov // Comput. Struct. — 2003. — № 81 (5). — P. 331—338.
12. Duan, Z. H. Prediction of compressive strength of recycled aggregate concrete using artificial neural networks / Z. H. Duan, S. C. Kou, C. S. Poon // Constr. Build. Mater. — 2013 — № 40. — P. 1200—1206.
13. Experimental evaluation and modeling of drying shrinkage behavior of metakaolin and calcined kaolin blended concretes / K. Mermerdas¸, E. Guneyisi, M. Gesoglu [et al.] // Constr. Build. Mater. — 2013. — № 43. — P. 337—347.
14. Goh, A. Prediction of ultimate shear strength of deep beams using neural networks / A. Goh // ACI Struct. J. — 1995. — № 92 (1). — P. 28—32.
15. Optimization of mass concrete construction using genetic algorithms / E. Fairbairn, M. M. Silvoso, R. Filho [et al.] // Comput. Struct. — 2004. — № 82 (2—3). — P. 281—299.
16. Rehm, G. Ueber die Grundlagen des Verbundes zwischen Stahl und Beton / G. Rehm // Deutscher Ausschuss for Stahlbeton. — 1961. — № 138. — 59 p.
17. Sadowski, L. Non-destructive evaluation of the pulloff adhesion of concrete floor layers using rbf neural network / L. Sadowski // J. Civ. Eng. Manag. — 2010. — № 19 (4). — P. 550—560.
18. Sadowski, L. Non-destructive investigation of corrosion current density in steel reinforced concrete by artificial neural networks / L. Sadowski // Arch. Civ. Mech. Eng. — 2013. — № 13 (1). — P. 104—111.
19. Sakla, S. S. Prediction of tensile capacity of single adhesive anchors using neural networks / S. S. Sakla, A. F. Ashour // Comput. Struct. — 2005. — № 83. — P. 1792—1803.
20. Yartsev, V. P. Аssessment and modeling of bond strength of corroded reinforcement in concrete structures / V. P. Yartsev, A. N. Nikolyukin, T. M. Pluzhnikova // Advanced Materials and Technologies. — 2018. — № 3. — P. 70—82.

 
 

Ссылка для цитирования

Николюкин, А. Н. Моделирование прочности сцепления арматуры с бетоном на основе искусственной нейронной сети / А. Н. Николюкин, В. П. Ярцев, Б. А. Бондарев, А. О. Корнеева // Научный журнал строительства и архитектуры. - 2019. - № 2 (54). - С. 11-20. - DOI: 10.25987/VSTU.2019.54.2.001.

 
 
 
 

English version 

 

Modeling the Adhesion of Reinforcement in Concrete Based on an Artificial Neural Network

Nikolyukin A. N., Yartsev V. P., Bondarev B. A., Korneeva A. O.
 
 

Nikolyukin A. N., PhD student of the Dept. of Construction of Buildings and Structures, Tambov State Technical University, Russia, Tambov, tel.: +7-953-717-16-44, e-mail: valax1@yandex.ru

Yartsev V. P., D. Sc. in Engineering, Prof. of the Dept. of Construction of Buildings and Structures, Tambov State Technical University, Russia, Tambov, e-mail: kzis@nnn.tstu.ru

Bondarev B. A., D. Sc. in Engineering, Prof. of the Dept. of Construction Materials Science and Road Technologies, Lipetsk State Technical University, Russia, Lipetsk

Korneeva A. O., PhD in Engineering, Assoc. Prof. of the Dept. of Construction Materials Science and Road Technologies, Lipetsk State Technical University, Russia, Lipetsk 


 
Statement of the problem. One of the major reasons for the loss of bearing capacity of reinforced concrete structures is considered to be failure of coupling between the reinforcement and concrete. As a result, there is a need to study the change in the value of the coupling of the reinforcing bar and concrete under various influences. It should be noted that due to external and technological influences, the mechanical characteristics of concrete are subject to change, which directly affects the amount of adhesion. 
Results and conclusions. Using artificial neural networks the analytical model was obtained that describes the final adhesion strength by means of average tangential strains. Concrete of different strength types reinforced with metal and composite reinforcement is used for this study. 
Adhesion was found to be associated with concrete characteristics and reinforcement type. A two-layer reverse neural network was also developed that describes adhesion of reinforcement with concrete precisely.  
 
Keywords: coupling, concrete, reinforcement, composite reinforcement, artificial neural networks, model. 


DOI: 10.25987/VSTU.2019.54.2.001

References

1. Ankerovka nenapryagaemoi sterzhnevoi armatury / S. A. Madatyan, T. D. Tuleev, V. N. Fridlyanov [et al.] // Beton i zhelezobeton. — 1990. — № 12. — S. 9—11. 
2. Kotova, K. S. Izuchenie stsepleniya razlichnykh vidov armatury s penobetonom / K. S. Kotova, G. S. Slavcheva // Stroitel'stvo i rekonstruktsiya. — 2018. — № 1 (75). — S. 114—123. 
3. Nazarenko, P. P. Kontaktnoe vzaimodeistvie armatury v betone v elementakh zhelezobetonnykh konstruktsii: avtoref. … dis. d-ra tekhn. nauk / P. P. Nazarenko. — M., 1998. — 34 s. 
4. Oatul, A. A. Predlozheniya k postroeniyu teorii stsepleniya armatury s betonom / A. A. Oatul // Beton i zhelezobeton. — 1968. — № 12. — S. 8—10. 
5. Sudakov, G. N. Metod rascheta armatury periodicheskogo profilya s betonom s uchetom vnutrennikh kontaktnykh treshchin: dis. … kand. tekhn. nauk / G. N. Sudakov. — M.: NIIZhB, 1982. — 205 s. 
6. Stseplenie sterzhnevoi armatury periodicheskogo profilya s betonom / M. M. Kholmyanskii, B. S. Gol'dfain, V. M. Kol'ner [et al.] // Stseplenie armatury s betonom. — M., 1971. — S. 31—37. 
7. Kholmyanskii, M. M. Kontakt armatury s betonom / M. M. Kholmyanskii. — M.: Stroiizdat, 1981. — 184 s. 
8. Eksperimental'nye issledovaniya prochnosti stsepleniya stekloplastikovoi armatury s tsementno-peschanym betonom / A. N. Nikolyukin, V. P. Yartsev, I. I. Kolomnikova [et al.] // Transportnye sooruzheniya. — 2019. — Vol. 6, № 1. — DOI: 10.15862/02SATS119. 
9. Adhikary, B. B. Prediction of shear strength of steel fiber RC beams using neural networks / B. B. Adhikary, H. Mutsuyoshi // Constr. Build. Mater. — 2006 — № 20 (9). — P. 801—811. 
10. Artificial neural network model for steel-concrete bond prediction / Z. H. Dahou, Z. M. Sbartai, A. Castel [et al.] // Eng. Struct. — 2009. — № 31 (8). — P. 1724—1733. 
11. Ashour, A. F. Empirical modeling of shear strength RC deep beams by genetic programming / A. F. Ashour, L. F. Alvarez, V. V. Toropov // Comput. Struct. — 2003. — № 81 (5). — P. 331—338. 
12. Duan, Z. H. Prediction of compressive strength of recycled aggregate concrete using artificial neural networks / Z. H. Duan, S. C. Kou, C. S. Poon // Constr. Build. Mater. — 2013 — № 40. — P. 1200—1206. 
13. Experimental evaluation and modeling of drying shrinkage behavior of metakaolin and calcined kaolin blended concretes / K. Mermerdas¸, E. Guneyisi, M. Gesoglu [et al.] // Constr. Build. Mater. — 2013. — № 43. — P. 337—347. 
14. Goh, A. Prediction of ultimate shear strength of deep beams using neural networks / A. Goh // ACI Struct. J. — 1995. — № 92 (1). — P. 28—32. 
15. Optimization of mass concrete construction using genetic algorithms / E. Fairbairn, M. M. Silvoso, R. Filho [et al.] // Comput. Struct. — 2004. — № 82 (2—3). — P. 281—299. 
16. Rehm, G. Ueber die Grundlagen des Verbundes zwischen Stahl und Beton / G. Rehm // Deutscher Ausschuss for Stahlbeton. — 1961. — № 138. — 59 p. 
17. Sadowski, L. Non-destructive evaluation of the pulloff adhesion of concrete floor layers using rbf neural network / L. Sadowski // J. Civ. Eng. Manag. — 2010. — № 19 (4). — P. 550—560. 
18. Sadowski, L. Non-destructive investigation of corrosion current density in steel reinforced concrete by artificial neural networks / L. Sadowski // Arch. Civ. Mech. Eng. — 2013. — № 13 (1). — P. 104—111. 
19. Sakla, S. S. Prediction of tensile capacity of single adhesive anchors using neural networks / S. S. Sakla, A. F. Ashour // Comput. Struct. — 2005. — № 83. — P. 1792—1803. 
20. Yartsev, V. P. Аssessment and modeling of bond strength of corroded reinforcement in concrete structures / V. P. Yartsev, A. N. Nikolyukin, T. M. Pluzhnikova // Advanced Materials and Technologies. — 2018. — № 3. — P. 70—82. 



 
Об издателе · Диссоветы при ВГТУ · Контакты · Поиск · Карта сайта
Научный вестник ВГАСУ. Строительство и архитектура, все права защищены.
Работает на: Amiro CMS