用神经网络方法预测新老混凝土的粘结强度

对新老混凝土粘结的微观机理进行了分析,认为新老混凝土粘结层呈叠层结构,老混凝土的洇水、老混凝土粘结面上粗骨料周围所形成的“过渡层”及新混凝土收缩微裂缝足,从而使新老混凝土的粘结强度得到提高;采用BP神经网络方法对新老混凝土粘结劈拉强度及粘结抗折强度进行了预测,对预测模型的精度和预测值的合理性也给予了必要的分析,由此证明神经网络法是解决新老混凝土粘结强度预测问题的一种较为理想之法。     

再生混凝土强度预测的神经网络模型

BP神经网络方法由于综合考虑了再生混凝土强度的各种影响因素,能够实现非线性关系,可以用于再生混凝土强度预测.为克服传统BP网络收敛速度慢、易出现麻痹现象等不足.研究采用L-M算法来改进传统的BP神经网络,仿真结果表明,该方法简单可行,搜索速度快,预测结果可靠、精度高.     

型钢混凝土结构粘结强度分析

根据国内外关于型钢混凝土粘结性能的试验研究 ,对型钢混凝土结构 (SRC结构 )中型钢 混凝土的粘结强度进行了分析和探讨 ,并对型钢混凝土粘结应力沿锚固长度的分布规律进行了分析 ,从粘结力的力扩散角度对型钢混凝土构件的临界保护层厚度进行了理论推导 ,提出了一种型钢 混凝土粘结强度的计算方法 ,并建立了粘结强度和极限荷载的计算模式。与已有的试验结果进行对比验证 ,符合较好 ,可为型钢混凝土结构中型钢 混凝土粘结性能的试验研究及实际设计中粘结强度的计算提供参考和依据     

型钢混凝土的极限粘结强度试验研究

对11个具有不同截面尺寸、粘结长度、混凝土强度等级、保护层厚度、配箍率的型钢混凝土短柱进行了试验研究。测量的关键参数是型钢混凝土之间的粘结应力和滑移。型钢的粘结长度、混凝土强度等级、混凝土保护层厚度、配箍率是影响粘结性能和粘结强度的主要因素。提出了型钢翼缘和腹板处的粘结应力分布模式及极限粘结强度的计算公式。     

型钢与混凝土的极限粘结强度

为研究型钢与混凝土的粘结滑移性能,对11根不同截面尺寸、粘结长度、混凝土强度等级、保护层厚度、配箍率的型钢混凝土短柱进行了试验。测量的关键参数是型钢与混凝土之间的粘结应力和滑移。试件在型钢翼缘和腹板上开槽后,粘贴应变片并埋置于混凝土中。试验在长柱试验机上进行,采取线性轴向加载,记录型钢在自由端和固定端的滑移。型钢的粘结长度、混凝土强度等级、混凝土保护层厚度、配箍率是影响粘结性能和粘结强度的主要因素。提出了型钢翼缘和腹板处的粘结应力分布模式和极限粘结强度的算法。     

型钢轻骨料混凝土粘结强度研究

通过正交试验设计,由推出试验研究了型钢轻骨料混凝土的平均粘结强度和局部粘结强度。根据试验结果,拟合了平均粘结强度表达式,得到了局部粘结应力最大值和混凝土立方体抗压强度的关系。基于所得平均粘结强度,推导了临界锚固长度和极限荷载表达式。临界锚固长度计算中提出了临界锚固长度系数,当混凝土保护层厚度、配箍率和混凝土强度不变时,不同型号工字钢临界锚固长度系数取值趋于一致,临界锚固长度系数的引入可用于计算锚固长度的上限值,并对影响临界锚固长度的因素进行了探讨。极限荷载的理论值和试验值吻合较好,可用于型钢轻骨料混凝土构件自然粘结力估算。     

型钢混凝土的粘结滑移关系研究

采用有限元结构分析软件ANSYS分析了混凝土强度等级、混凝土保护层厚度、横向配箍率和纵向配筋率等因素对型钢混凝土粘结强度的影响,并在有限元参数分析的基础上,提出了型钢混凝土粘结滑移关系的特征方程,对今后型钢混凝土结构设计具有指导作用。     

型钢混凝土结构粘结滑移性能的研究

在10个型钢混凝土粘结试件推出试验的基础上，分析了型钢与混凝土之间的粘结滑移机理，探讨了影响粘结滑移性能的因素。基于试验结果，得到的粘结应力与滑移的关系，适用于型钢混凝土结构受力的全过程，可供有关理论分析和工程应用参考。     

Artificial neural network model for steel–concrete bond prediction

In this paper, an Artificial Neural Network (ANN) is proposed for modelling the bond between conventional ribbed steel bars and concrete. The purpose is to predict the ultimate pull-out load from the concrete mix constituents (first ANN model) or the compressive strength (second ANN model) and from the steel bar diameter according to the RILEM test configuration [RILEM. Essai portant sur l’adhérence des armatures du béton: essai par traction. Materials and Structures 1970; 3 (3) 175–78]. The ANN models were implemented using an experimental database of 112 pull-out test results performed with ribbed bars 10 mm or 12 mm in diameter and three concrete mixes with different constituent proportions. A Multi-Layer-Perceptron was trained according to a back-propagation algorithm. The first model has six inputs (ANN-6): the diameter of the ribbed bar, the water to cement ratio, the gravel to sand ratio, the crushed to rolled gravel ratio, the type of cement and the concrete maturity. The second model has two inputs (ANN-2): the diameter of the bar and the concrete compressive strength. The ultimate pull-out load was the output data for both models.The results show that the implemented models have good prediction and generalisation capacity with low errors. The ANN-6 model is more accurate, regarding the generalisation capacity, than the ANN-2 model. Concrete mix constituents as input parameter, instead of the compressive strength, are more representative of the local phenomenon at the steel-ribs-to-concrete interface.     

自密实混凝土工作性能和强度的BP神经网络预测

如何在进行自密实混凝土配合比设计前对其工作性能和强度进行有效预测,为配合比设计提供指导,是一大难点。本文利用BP神经网络,对自密实混凝土的工作性能(坍落度和扩展度)和28d强度进行预测。结果表明,利用大量试验数据样本训练的BP网络可以预测不同情况下的自密实混凝土的坍落度、扩展度和28d强度,预测精度高。     

Shear strength prediction for steel reinforced concrete deep beams

This study proposes an analytical method for determining the shear strengths of steel reinforced concrete deep beams under the failure mode of concrete crushing originally based on the softened strut-and-tie model. The proposed method is a good physical model that can correlate well with the observed failure phenomenon of steel reinforced concrete deep beams. By comparing the predictions of the proposed method with the available test results from the literature, it was found that the proposed method is capable of predicting the shear strengths for steel reinforced concrete deep beams with sufficient accuracy. The shear-carrying behavior of steel reinforced concrete deep beams is highly influenced by the ratios of flange width to gross width, the shear span-to-depth ratios, and the concrete strengths. When the ratio of flange width to gross width is low, the shear-carrying capacities of steel reinforced concrete deep beams increase with the increasing ratio. However, if the ratio of the flange width to gross width is higher than a critical value, then the failure mode of steel reinforced concrete deep beams will be converted from diagonal compression failure into bearing failure.     

钢纤维自密实混凝土抗压强度估值模型

进行钢纤维自密实混凝土构件设计时通常需要用到抗压强度指标,但是目前预测钢纤维自密实混凝土抗压强度的公式很少。定义了钢纤维有效增强因子,并对试验数据回归分析,提出一个预测钢纤维自密实混凝土28 d抗压强度的模型。使用模型计算了文献中钢纤维自密实混凝土的抗压强度,并与实测数据比对,结果表明预测强度与实测强度符合的很好。     

基于强度折减法和神经网络的边坡失稳预测方法

结合石榴树包滑坡监测数据,使用BP神经网络对监测到的边坡物理力学参数进行了单因素预测,将预测到的物理力学参数结合强度折减法,运用FLAC3D进行数值模拟,求解该边坡未来的安全系数,通过分析边坡应力云图和安全系数的变化情况,达到了预测预报的目的。     

应用RBF神经网络的预应力混凝土碳化深度预测研究

在现有混凝土碳化研究成果基础上,建立了预应力混凝土碳化预测模型。随后,运用径向基函数神经网络的基本原理,通过对影响预应力混凝土碳化深度因素的分析,建立了预测碳化深度的RBF和GRNN网络模型。通过实例进行了分析计算和预测,预测结果具有较高的精度。可以说,人工神经网络预测方法是一种可同时考虑各种影响因素组合、行之有效的混凝土碳化预测分析方法。     

Experimental study on bond strength of interface between steel fiber reinforced reactive powder concrete and steel tube

为研究钢管-钢纤维活性粉末混凝土（RPC）界面黏结强度,共进行了27根钢管-RPC试件的推出试验,主要参数包括钢管壁厚、钢纤维体积掺量和养护温度。试验研究发现：钢管-RPC的荷载-滑移全过程曲线不同于普通钢管混凝土,具体表现为钢管-RPC的荷载-滑移曲线无明显初始峰值点,且曲线出现二次上升段;试验参数中养护温度、钢管壁厚和钢纤维体积掺量对钢管-RPC界面初始黏结强度和极限黏结强度的影响规律不同;钢管壁厚从1.41mm增大到3.45mm,初始和极限黏结强度分别提高了68%和64%;养护温度由20℃增加到90℃后,初始和极限黏结强度分别提高了30%和11%;不同体积掺量范围内钢纤维对黏结强度影响规律不同,表现为体积掺量从0%增加到1%时初始和极限黏结强度分别降低了2%和11%,而从1%增加到3%时初始和极限黏结强度分别提高了54%和21%。     

钢骨高强混凝土框架柱开裂荷载的试验研究

在11根钢骨高强混凝土框架柱的单调，低周反复加载试验基础上，通过理论分析和相关试验数据的回归，考虑了钢骨高强混凝土框架柱与钢骨混凝土框架柱开裂荷载计算的区别，并给出了计算公式。     

基于人工神经网络的回弹-拔出综合法检测混凝土强度的研究

在试验研究的基础上,建立了混凝土强度回弹-拔出综合法检测的人工神经网络模型.探索并应用了神经网络的改进算法,其中包括附加冲量法、自适应学习算法及S型函数输出限幅算法等,以保证建立的神经网络的快速有效.与传统的回归算法相比,采用人工神经网络模型推测出的混凝土强度具有更高的精度.