Analysis of Crack Coalescence in Concrete Using Neural Networks

Fractures in the forms of joints and microcracks are commonly found in concretes, and their failure mechanism strongly depends on the crack coalescence pattern between pre-existing flaws. The determination of the failure behavior of nonpersistent joints is an engineering problem that involves severa...

Повний опис

Збережено в:

Бібліографічні деталі
Дата:	2016
Автори:	Haeri, H., Sarfarazi, V., Zhu, Z.
Формат:	Стаття
Мова:	English
Опубліковано:	Інститут проблем міцності ім. Г.С. Писаренко НАН України 2016
Назва видання:	Проблемы прочности
Теми:	Научно-технический раздел
Онлайн доступ:	http://dspace.nbuv.gov.ua/handle/123456789/173562
Теги:	Додати тег Немає тегів, Будьте першим, хто поставить тег для цього запису!
Назва журналу:	Digital Library of Periodicals of National Academy of Sciences of Ukraine
Цитувати:	Analysis of Crack Coalescence in Concrete Using Neural Networks / H. Haeri, V. Sarfarazi, Z. Zhu // Проблемы прочности. — 2016. — № 6. — С. 139-151. — Бібліогр.: 43 назв. — англ.

Репозиторії

Digital Library of Periodicals of National Academy of Sciences of Ukraine

id	irk-123456789-173562
record_format	dspace
spelling	irk-123456789-1735622020-12-12T01:26:13Z Analysis of Crack Coalescence in Concrete Using Neural Networks Haeri, H. Sarfarazi, V. Zhu, Z. Научно-технический раздел Fractures in the forms of joints and microcracks are commonly found in concretes, and their failure mechanism strongly depends on the crack coalescence pattern between pre-existing flaws. The determination of the failure behavior of nonpersistent joints is an engineering problem that involves several parameters as mechanical properties of concrete, normal stress and the ratio of joint surface to total shear surface. The impact of these parameters on the crack coalescence is investigated through the use of computational tools called neural networks. A number of networks of threshold logic units were tested, with adjustable weights. The computational method for the training process was a back-propagation learning algorithm. In this paper, the input data for crack coalescence consists of values of geotechnical and geometrical parameters. As an output, the network estimates the crack type coalescence (i.e., mode I, mode II, or mode I-II) that can be used for stability analysis of concrete structures. The performance of the network is measured and the results are compared to those obtained by means of experimental method. В местах разрушения бетонных конструкций часто обнаруживают макро- и микротрещины, причем на механизм их разрушения существенно влияет характер слияния трещин, выросших из исходных дефектов. Оценка характера разрушения неустойчивых связей является одной из инженерных задач, которая учитывает ряд параметров, включая механические характеристики бетона, уровень нормальных напряжений и соотношение между площадями поверхности дефектов и общей поверхности сдвига. Влияние этих параметров на слияние трещин оценивается с помощью расчетной методики нейронных сетей. Выполнено тестирование нескольких сетей с пороговыми логическими элементами и варьируемыми весовыми коэффициентами. Использовался обучающий алгоритм обратного распространения. В качестве входных данных по слиянию трещин использовались геотехнические и геометрические параметры, а в качестве выходных данных нейронная сеть выполняла оценку типа механизма слияния трещин (отрыва, сдвига или смешанной моды), который следовало использовать при анализе стабильности бетонных конструкций. Выполнена верификация расчетных результатов с помощью имеющихся экспериментальных данных. У місцях руйнування бетонних конструкцій часто виявляють макро- і мікротріщини, при цьому на механізм їх руйнування суттєво впливає характер злиття тріщин, що виросли з початкових дефектів. Оцінка характера руйнування нестійких зв'язків є однією з інженерних задач, яка враховує ряд параметрів, включаючи механічні характеристики бетону, рівень нормальних напружень і співвідношення між площами поверхні дефектів і загальною поверхнею зсуву. Вплив цих параметрів на злиття тріщин визначається за допомогою розрахункової методики нейронних сіток. Виконано тестування декількох сіток із пороговими логічними елементами і варійованими ваговими коефіцієнтами. Використовувався навчальний алгоритм зворотного розповсюдження. Вхідними даними по злиттю тріщин слугували геотехнічні і геометричні параметри, а вихідними нейронна сітка, за допомогою якої оцінювався тип механізму злиття тріщин (відрив, зсув або змішана мода), який використовувався при аналізі стабільності бетонних конструкцій. Виконано верифікацію розрахункових результатів за допомогою відомих експериментальних даних. 2016 Article Analysis of Crack Coalescence in Concrete Using Neural Networks / H. Haeri, V. Sarfarazi, Z. Zhu // Проблемы прочности. — 2016. — № 6. — С. 139-151. — Бібліогр.: 43 назв. — англ. 0556-171X http://dspace.nbuv.gov.ua/handle/123456789/173562 539.4 en Проблемы прочности Інститут проблем міцності ім. Г.С. Писаренко НАН України
institution	Digital Library of Periodicals of National Academy of Sciences of Ukraine
collection	DSpace DC
language	English
topic	Научно-технический раздел Научно-технический раздел
spellingShingle	Научно-технический раздел Научно-технический раздел Haeri, H. Sarfarazi, V. Zhu, Z. Analysis of Crack Coalescence in Concrete Using Neural Networks Проблемы прочности
description	Fractures in the forms of joints and microcracks are commonly found in concretes, and their failure mechanism strongly depends on the crack coalescence pattern between pre-existing flaws. The determination of the failure behavior of nonpersistent joints is an engineering problem that involves several parameters as mechanical properties of concrete, normal stress and the ratio of joint surface to total shear surface. The impact of these parameters on the crack coalescence is investigated through the use of computational tools called neural networks. A number of networks of threshold logic units were tested, with adjustable weights. The computational method for the training process was a back-propagation learning algorithm. In this paper, the input data for crack coalescence consists of values of geotechnical and geometrical parameters. As an output, the network estimates the crack type coalescence (i.e., mode I, mode II, or mode I-II) that can be used for stability analysis of concrete structures. The performance of the network is measured and the results are compared to those obtained by means of experimental method.
format	Article
author	Haeri, H. Sarfarazi, V. Zhu, Z.
author_facet	Haeri, H. Sarfarazi, V. Zhu, Z.
author_sort	Haeri, H.
title	Analysis of Crack Coalescence in Concrete Using Neural Networks
title_short	Analysis of Crack Coalescence in Concrete Using Neural Networks
title_full	Analysis of Crack Coalescence in Concrete Using Neural Networks
title_fullStr	Analysis of Crack Coalescence in Concrete Using Neural Networks
title_full_unstemmed	Analysis of Crack Coalescence in Concrete Using Neural Networks
title_sort	analysis of crack coalescence in concrete using neural networks
publisher	Інститут проблем міцності ім. Г.С. Писаренко НАН України
publishDate	2016
topic_facet	Научно-технический раздел
url	http://dspace.nbuv.gov.ua/handle/123456789/173562
citation_txt	Analysis of Crack Coalescence in Concrete Using Neural Networks / H. Haeri, V. Sarfarazi, Z. Zhu // Проблемы прочности. — 2016. — № 6. — С. 139-151. — Бібліогр.: 43 назв. — англ.
series	Проблемы прочности
work_keys_str_mv	AT haerih analysisofcrackcoalescenceinconcreteusingneuralnetworks AT sarfaraziv analysisofcrackcoalescenceinconcreteusingneuralnetworks AT zhuz analysisofcrackcoalescenceinconcreteusingneuralnetworks
first_indexed	2023-10-18T22:34:24Z
last_indexed	2023-10-18T22:34:24Z
_version_	1796155870225104896

Analysis of Crack Coalescence in Concrete Using Neural Networks

Репозиторії

Схожі ресурси