A new ANN rheological model of a comply polymer in temperature spectrum

• Autorzy: Stręk Anna M.

Identyfikatory

DOI

10.24425/ace.2023.144170

Warianty tytułu

PL

Nowy model reologiczny dla polimeru podatnego w spektrum temperatur uzyskany za pomocą sztucznych sieci neuronowych

• Języki publikacji: EN

Abstrakty

EN

The article presents modelling using artificial neural networks (ANN) of the phenomenon of creep of comply polymer SIKA PS which can be used in various applications in civil engineering. Data for modelling was gathered in compressive experiments conveyed under a set of fixed conditions of compressive stress and temperature. Part of the data was pre-processed by smoothing and rediscretisation and served as inputs and targets for network training and part of the data was left raw as control set for verification of prognosing capability. Assumed neural network architectures were one- and two-layer feedforward networks with Bayesian regularisation as a learning method. Altogether 55 networks with 8 to 12 neurons in varying structural configurations were trained. Fitting and prognosing verification was performed using mean absolute relative error as a measure; also, results were plotted and assessed visually. In result, the research allowed for formulation of a new rheological model for comply polymer SIKA PS in time, stress and temperature field domain with fitting quality of mean absolute relative error 1.3% and prognosis quality of mean absolute relative error 8.73%. The model was formulated with the use of a two-layer network with 5 + 5 neurons.

PL

Polimery podatne stanowią ważny materiał wykorzystywany w budownictwie oraz inżynierii lądowej. Ich zastosowania obejmują często połączenia klejone elementów konstrukcyjnych, mogą być wykorzystane do wzmocnienia zabytkowych konstrukcji murowych w miejsce uszkodzonej zaprawy, a także jako warstwy łączące w zabezpieczeniach przeciwzderzeniowych budynków przy zagrożeniu trzesieniami ziemi, jak również jako składniki dylatacyjne. Podane przykłady nie wyczerpują oczywiście zakresu stosowalności rozważanego materiału w budownictwie, pokazują jednak, że w czasie pracy może być on poddany długotrwałym stałym obciążeniom (np. ciężar własny) oraz ekspozycji na podwyższone temperatury - np. bezpośrednie promieniowanie słoneczne na murowaną zabytkową elewację w gorącym klimacie lub obiekty specjalne, w których jest radiacja cieplna. Znajomość zachowania materiału poddanego obciążeniu długotrwałemu w podwyższonej temperaturze może być wykorzystana także do polepszenia ochrony pożarowej budowli. W artykule zaprezentowano badania służące opracowaniu modelu reologicznego dla polimeru podatnego PS SIKA oraz nowa propozycja takiego modelu. Zastosowano obliczenia z wykorzystaniem sztucznych sieci neuronowych, dla których dane uczące oraz dane kontrolne stanowiły wyniki eksperymentalne. Eksperymenty polegały na ściskaniu próbek walcowych o średnicy d = 27 mm i wysokości ℎ = 54 mm. Czas obciążania wynosił około 100 h, zastosowano warunki stałe temperatury {20, 40, 60, 80}° oraz stałe warunki naprezenia {0.5, 1.0, 2.0} MPa w 12 kombinacjach.

Słowa kluczowe

EN

comply polimer; creep; neural network; rheological model; temperature spectrum

PL

model reologiczny; pełzanie; polimer podatny; sieć neuronowa; spektrum temperatur

• Wydawca: Komitet Inżynierii Lądowej i Wodnej PAN ; Politechnika Warszawska, Wydział Inżynierii Lądowej
• Czasopismo: Archives of Civil Engineering
• Rocznik: 2023
• Tom: Vol. 69, nr 1
• Strony: 231--243
• Opis fizyczny: Bibliogr. 21 poz., il., tab.

Twórcy

autor

Stręk Anna M.

• Cracow University of Technology, Faculty of Civil Engineering, Kraków, Poland

• https://orcid.org/0000-0001-6366-4857

Bibliografia

• [1] J. Pečnik, et al., “Mechanical performance of timber connections made of thick flexible polyurethane adhesives”, Engineering Structures, vol. 247, no. 13, 2021, DOI: 10.1016/j.engstruct.2021.113125.
• [2] A. Kwiecień, P. Krajewski, Ł. Hojdys, M. Tekieli, and M. Słoński, “Flexible Adhesive in Composite-to-Brick Strengthening - Experimental and Numerical Study”, Polymers, vol. 10, no. 4, art. no. 356, 2018, DOI: 10.3390/polym10040356.
• [3] A. Kwiecień, K. Rodacki, B. Zając, and T. Kozik, “Mechanical Behavior of Polyurethane Adhesives Applied to Timber Joints in Repair of Historical Timber Structures: An Interdisciplinary Approach” in RILEM Bookseries, vol. 18: Structural Analysis of Historical Constructions, R. Aguilar, et al., Eds. Springer, 2019, pp. 1603-1612, DOI: 10.1007/978-3-319-99441-3_172.
• [4] A. M. Stręk, et al., “Highly Dissipative Materials for Damage Protection against Earthquake-Induced Structural Pounding”, Materials, 2021, vol. 14, no. 12, art. no. 3231, 2021, DOI: 10.3390/ma14123231.
• [5] B. Zając, ścinane połączenia klejone sztywne i podatne pracujące w podwyższonej temperaturze. Kraków: Wydawnictwo PK, 2018.
• [6] Z. Bogusław and K. Arkadiusz, “Thermal Compatibility of Rigid and Flexible Adhesives to Substrates of Historical Structures”, in RILEM Bookseries, vol. 18: Structural Analysis of Historical Constructions, R. Aguilar, et al., Eds. Springer, 2019, pp. 1868-1877, DOI: 10.1007/978-3-319-99441-3_200.
• [7] Z. Bogusław, K. Arkadiusz, M. Gams, and T. Tatara, “Strengthening of masonry and concrete structures working in elevated temperatures and mining tremors area”, E3S Web of Conferences, 2019, vol. 106, pp. 1-8, DOI: 10.1051/e3sconf/201910601021.
• [8] Z. Waszczyszyn and L. Ziemianski, “Neural networks in the identification analysis of structural mechanics problems”, in Parameter identification of materials and structures, Z. Mróz, G. E. Stavroulakis, Eds. Springer, 2005, pp. 265-340, DOI: 10.1007/3-211-38134-1_7.
• [9] I. Floodm and N. Kartam, “Neural network in civil engineering I: Principles and understandings”, ASCE Journal of Computing in Civil Engineering, vol. 8, no. 2, pp. 131-148, 1994, DOI: 10.1061/(ASCE)0887-3801(1994)8:2(131).
• [10] I. Flood and N. Kartam, “Neural network in civil engineering II: Systems and application”, ASCE Journal of Computing in Civil Engineering, vol. 8, pp. 149-162, 1994, DOI: 10.1061/(ASCE)0887-3801(1994)8:2(149).
• [11] M. Dudzik, A. M. Stręk, “ANN model of stress-strain relationship for aluminium sponge in uniaxial compression”, Journal of Theoretical and Applied Mechanics, vol. 58, no. 2, pp. 385-390, 2020, DOI: 10.15632/jtampl/116804.
• [12] A. M. Stręk, M. Dudzik, and T. Machniewicz, “Specifications for modelling of the phenomenon of compression of closed-cell aluminium foams with neural networks”, Materials, 2022, vol. 15, no. 3, 2022, DOI: 10.3390/ma15031262.
• [13] M. Dudzik and A. M. Stręk, “ANN architecture specifications for modelling of open-cell aluminum under compression”, Mathematical Problems in Engineering, vol. 2020, art. no. 834317, pp. 1-26, 2020, DOI: 10.1155/2020/2834317.
• [14] C. H. Reinsch, “Smoothing by spline functions”, Numerische Mathematik, vol. 10, pp. 177-184, 1967, DOI: 10.1007/BF02162161.
• [15] R. Champion, C. T. Lenard, and T. M. Mills, “An introduction to abstract splines”, Mathematical Sciences, vol. 21,pp. 8-26, 1996.
• [16] Mathworks documentation, “Csaps”. [Online]. Available: www.mathworks.com/help/curvefit/csaps.html. [Accessed: 21 Nov. 2021].
• [17] Mathworks documentation: “Mapminmax”. [Online]. Available: www.mathworks.com/help/deeplearning/ref/mapminmax.html. [Accessed: 21 Feb 2019].
• [18] H. Demuth, M. Beale, and M. T. Hagan, Neural Network Toolbox 6 User’s Guide. The MathWorks Inc., 2009.
• [19] F. D. Foresee and M. T. Hagan, “Gauss-Newton approximation to Bayesian learning”, Proceedings of the International Joint Conference on Neural Networks (ICNN’97), vol. 3, pp. 1930-1935, 1997, DOI: 10.1109/ICNN.1997.614194.
• [20] D. J. C. MacKay, “Bayesian interpolation”, Neural Computation, vol. 4, no. 3, pp. 415-447, 1992, DOI: 10.1162/neco.1992.4.3.415.
• [21] Mathworks MATLAB Answers, “Why does the “trainbr” function not require a validation dataset?”. [Online]. Available: https://www.mathworks.com/matlabcentral/answers/405727-why-does-the-trainbr-function-not-require-a-validation-dataset. [Accessed: 28 Apr. 2022].