论文部分内容阅读
当构件跨高比0l/h?5.0时,称之为钢筋混凝土深受弯构件,其破坏形式主要为剪切破坏。由于深受弯构件受剪的影响因素众多且复杂,目前尚未对其破坏机理及计算方法达成共识。钢筋混凝土深受弯构件受剪性能仍有待深入研究。近年兴起的人工神经网络可以在基于以往收集的数据,通过自我学习的过程,其精准度可以达到令人满意的程度,且不需要提出精准的构件破坏模式及承载传力机制。随着科技发展,此种简单便于计算并且可以不断自我学习来达到更高精度的方法越来越受到研究人员的青睐。本文基于271组深受弯构件受剪性能的试验数据,通过提取主要的影响因素,建立了基于人工神经网络的计算模型,完成了对影响深受弯构件的主要因素的单因素分析及正交试验法分析,得到了各影响因素对受剪承载力影响的变化规律及程度。本文还介绍了目前国外较为流行的灵敏度分析方法,将全局灵敏度分析法引入土木工程领域,并将其应用于本文的几个主要计算模型中,得到了各个模型自变量的灵敏度大小,而且基于计算所得的灵敏度排序可以发现各模型的主要影响因素。通过剔除灵敏度小即影响性低的自变量,优化了以建立的人工神经网络计算模型。对比发现,优化前后的模型在计算结果的精确度及离散性上没有太大区别,但是优化后的模型在计算量及复杂程度上大大降低。本文完成的主要工作:(1)介绍了深受弯构件在国内外发展研究现状及人工神经网络概念介绍,分析了影响钢筋混凝土深受弯构件受剪性能的主要因素,介绍了各国深受弯构件受剪承载力的计算公式;(2)详细介绍了人工神经网络的工作原理及其模型选取方法。基于收集的271根钢筋混凝土深受弯构件,运用Matlab软件,对已建立好的神经网进行训练;基于训练结果选取效果较好的BP-ANN模型,进行了单因素分析及正交试验设计分析;(3)针对文中涉及模型及试验,结合多种全局灵敏度分析方法进行了影响因素灵敏度分析;基于灵敏度计算结果,优化了已建立的BP-ANN模型,结果证明优化后的模型与优化前的模型具有同样的性能,而且复杂度明显降低。通过选取的BP-ANN模型、四国规范计算结果与试验结果对比,BP-ANN模型的可行性及精准性均满足要求,可用于深受弯构件受剪性能的分析。同时验证了灵敏度在深受弯构件受剪性能影响因素分析及模型优化上的可操作性。