Yapay sinir ağları ile betonarme binaların statik itme analizi

Abstract

ÖZET: Betonarme düzlem çerçeve sistem, Yapay sinir ağları, İtme analizi, Ölçeklenmiş konjuge gradyan yöntemi, Plastik mafsal dönmesi, Performans düzeyi Betonarme düzlem çerçeve sistemlerin statik itme analizi için yapay sinir ağlan esaslı bir modelin geliştirildiği bu çalışma, beş ana bölüm ile iki ek kısımdan oluşmaktadır. Yapıların deprem yükleri etkisindeki davranışlarını belirlemek için kullanılan farklı yöntemler vardır. Bunlar, elastik-statik,elastik-dinamik, doğrusal olmayan statik (statik itme analizi) ve doğrusal olmayan dinamik yöntemlerdir. Yapı davranışını analitik olarak hesaplayan bu yöntemler bir takım kabullere dayanmaktadırlar. Dolayısı ile hesaplanan yapı davranışı ile inşa edilen yapının deprem etkisindeki davranışı birbirinden farklı olmaktadır. Sözkonusu yöntemlerden statik itme analizi 20 yıllık bir geçmişe sahip olup özellikle son on yıl içinde önemli gelişmeler göstermiştir. Bu yöntem, doğrusal olmayan davranışı dikkate alabilen ve mühendislik pratiği için uygun olan bir yöntemdir. Ancak bu yöntemde hesaplamalar uzun zaman almaktadır. Mühendislik pratiği için uygun olan, bina davranışın gerçekçi olarak yansıtabilen ve çok kısa sürede sonuca ulaşabilen yeni bir analiz yöntemine ihtiyaç vardır. Kompleks ve doğrusal olmayan ilişkilerin modellenmesinde son derece başarılı sonuçlar vermesi, problemin birtakım kabuller yapılmadan gerçek yapı davranış verileri ile modellenebilmesi, sonuçların çok kısa bir sürede elde edilebilmesi, bulunan sonuçların çoğu zaman tatmin edici bir düzeyde olması gibi özellikler, yapay sinir ağlarını analiz problemlerinin çözümünde alternatif bir hesap yöntemi haline getirmektedir Önerilen hesap yöntemi ile binaların toplam yüksekliklerinin % 2 si kadar itilmelerine karşı gelen kapasite eğrileri yanında Vision 2000 dokümanında verilen can güvenliği ve göçme yakını performans düzeyleri ile yine can güvenliği limit durumuna karşı gelen plastik mafsal dağılımları belirlenebilmektedir. Geliştirilen yöntemi oluşturan yapay sinir ağı modellerinin eğitilmesi ve test edilmesinde ekonomik zorluklar ve laboratuar imkanlarının kısıtlı olması nedeniyle deneysel veriler kullanılamamıştır. Veriler Ruaumoko bilgisayar programından sağlanmıştır. Test setinin performansı açıkça göstermiştir ki veriler deneysel sonuçlardan elde edilebilse gerçek yapı davranışı yakalanabilecektir.

STATIC PUSHOVER ANALYSIS OF REINFORCED CONCRETE BUILDINGS BY ARTIFICIAL NEURAL NETWORKS SUMMARY Keywords: RC Plane Frame System, Artificial Neural Networks, Pushover Analysis, Scaled Conjugate Gradient, Plastic Hinge Rotation, Performance Level. Pushover analysis of reinforced concrete (RC) plane frame structures has been studied using a developed artificial neural network (ANN) based model. The study consists of five sections and two appendixes. Evaluation methodologies of the seismic behaviour of structures are various named as the linear static, linear dynamic, non-linear static (pushover analysis), and non-linear dynamic. The methods, which are used to compute the seismic behaviour of structure analytically, have some assumptions. Therefore, there are some different between computed and constructed structures under the earthquake force. The linear-static procedures has been used for twenty years and made big development especially for last ten years. This method is suitable to use in the non-linear static behaviour in the engineering practice. However, the calculation of structural behaviour by using this method is time consuming. Therefore, a useful method that speeds up the computation time and gives more realistic structural behaviour is required for the engineering practice. ANN has become an alternative method for the response of structures due to easy modelling of complicated and non-linear behaviour. It gives more realistic modelling of structural behaviour taking real structural data without using any assumptions. In addition, it is also powerful and realistic computational method. By using the recommended computation method, the capacity curves of the structural frames, which pushed up to 2% of their total height, and life safety and near collapse performance levels have been computed. Also plastic hinge locations in the life safety limit have been evaluated by using the Vision 2000 document. In the developed ANN models the training and testing sets have been developed using the Ruaumoko results owing to the lack of experimental and economical difficulties. The outcomes of the testing sets showed that if the training and test sets could be constituted from the experimental results, the ANN would give more realistic estimation of structural behaviours. xvi