Neural network model for the analysis of infilled framed structures

• Autorzy: Mini K. M. , Subramanian K.

Warianty tytułu

PL

Model sieci neuronowej zastosowany do analizy konstrukcji ramownicowych wypełnionych ścianami

• Języki publikacji: EN

Abstrakty

EN

The analysis of infilled frames is complex due to the non-linearity involved as well as the large number of variables. Artificial Neural Network (ANN) has been found to be a tool that can accommodate the large number of variables and the nonlinear behaviour of the system. The ANN model was trained using the data available on failure load for the infilled frame under various conditions, generated analytically using equivalent strut method. The so trained model was tested for different set of input and output data obtained analytically as well as experimentally [10]. The agreement between the predicted and the actual results are found to be good. The results show that if the data for training is sufficient, the performance of the network will be satisfactory. The neural network approach is versatile since the size and scope of the input and output vectors can be increased to a large extent to meet the complexities.

PL

Analiza wypełnianych ścianami konstrukcji ramownicowych jest skomplikowana z powodu ich nieliniowości, jak również dużej liczby zmiennych. Sztuczna sieć neuronowa (ANN) stworzona została jako narzędzie, które może objąć wielką liczbę zmiennych oraz nieliniowe zachowanie się układu. Model ANN został nauczony przy użyciu dostępnych danych o obciążeniu niszczącym wypełnionej ramownicy w różnych warunkach opisanych analitycznie za pomocą równoważnych prętów. Zastosowany w ten sposób model zbadany został w różnych zestawach danych wejściowych i wyjściowych otrzymanych analitycznie oraz doświadczalnie [10]. Stwierdzono dobra zgodność pomiędzy wynikami przewidywanymi i uzyskanymi. Wyniki wskazują, że jeśli dane dotyczące badania są wystarczające, to funkcjonowanie sieci będzie zadawalające. Metoda sieci neuronowych jest uniwersalna, bowiem można znacznie zwiększać wielkość i zakres wektora wejściowego i wyjściowego w zależności od stopnia skomplikowania.

Słowa kluczowe

EN

neural network; modeling; failure load; training; testing; feedforward network; backpropagation; error tolerance

PL

sieć neuronowa; analiza konstrukcji; konstrukcja ramowa; ściana; obciążenie niszczące; modelowanie

• Wydawca: Komitet Inżynierii Lądowej i Wodnej PAN ; Politechnika Warszawska, Wydział Inżynierii Lądowej
• Czasopismo: Archives of Civil Engineering
• Rocznik: 2007
• Tom: Vol. 53, nr 4
• Strony: 639--662
• Opis fizyczny: Bibliogr. 17 poz., il.

Twórcy

autor

Mini K. M.

autor

Subramanian K.

• Applied Mechanics Division, Mechanical Engineering Department, Amrita Vishwa Vidyapeetham, Ettimadai, Coimbatore, India,

Bibliografia

• 1. J. C. RATHBUN, Wind forces on a tall buildings, Proceedings ASCE, 64, 1335-1375, 1938.
• 2. B. STAFFORD-SMITH, C. CARTER, A method of analysis for infilled frames, Proc.of the Institution of Civil Engineers, 44, 31-48, 1969.
• 3. Wael W. EL-DAKHAKHNI, Mohamed ELGAALY, Ahmad HAMID, Three strut model for concrete masonry infilled steel frames, Journal of Structural Division, ASCE, 129, 177-185, 2003.
• 4. K. H. KWAN, C.Q. Lo, T. C. LIAUW, Large scale model tests and plastic analysis of multibay infilled frames, Proc.of the Institution of Civil Engineers, 65, 261-277, 1990.
• 5. T. C. LIAUW, K. H. KWAN, Unified plastic analysis for infilled frames, Journal of Structural Division, ASCE, 111, 1427-1447, 1985.
• 6. W. M. JENKINS, Neural network based approximation for Structural analysis, Developments in Neural Networks and Evolutionary Computing for Civil and Structural Engineering, Edinburgh 1995.
• 7. N. MURALIKRISHNA, D. GANGADHARAM, Analysis of infilled frames -A study using neural nets, Journal of Structural Engineering, 26, 173-178, 1999.
• 8. Asok K. GHOSH, Amde M. AMDE, Finite element analysis of infilled frames, Journal of Structural Engineering, ASCE, 128, 881-889, 2002.
• 9. Ian FLOOD, Nabil KARTAM, Neural networks in civil engineering I: Principles and understanding, Journal of Computing in Civil Engineering, ASCE, 8, 127-129, 1994.
• 10. E. B. PERUMAL PILLAI, Influence of brick infill on multistory, multi-bay R. C. Frames, Ph.D Thesis, Coimbatore Institute of Technology, Coimbatore India 1995.
• 11. Laurence FAUSSET, Fundamentals of neural network - architectures, algorithms, and applications, Prentice Hall, Eaglewood Cliffs, NJ 1993.
• 12. Hojjat ADELI, Hyo SEON PARK, Counterpropagation neural networks in structural engineering, Journal of Structural Division, ASCE, 14, 1205-1212, 1995.
• 13. IS 456-2000, Indian Standard Code of Practice for Plain and Reinforced Concrete (Fourth Revision), Bureau of Indian Standards, New Delhi.
• 14. IS: 269-1976, Indian Standard Code of Practice for Ordinary or Low Heat Portland Cement, Bureau of Indian Standards, New Delhi.
• 15. IS: 1893 (Part 1): 2002, Indian Standard Criteria for Earthquake Resistant Design of Structures Part l General Provisions and Buildings (Fifth Revision), Bureau of Indian Standards, New Delhi.
• 16. P. C. PANDEY, S. V. BARAI, Multilayer perceptron in damage detection of bridge structures, Computers and Structures, 54, 4, 597-608, 1995.
• 17. P. GOYINDAN, Composite action and ductility of reinforced concrete frames with brick infill, Ph.D Thesis, Anna University, Chennai, India 1986.