Soft computing modeling of RC beams without web reinforcement

Abstract

Bu tezde etriyesiz betonarme kirişlerin kesme dayanımının esnek hesaplama teknikleri ile tahmini ve formulasyonu imkanı araştırılmıştır. Öncelikle, Etriyesiz betonarme kirişlerin kesme dayanımının esnek hesaplama teknikleri ile yapılan uygulamalara ilişkin literatür taraması yapılmış ve Yapay Sinir ağları ile genetik programlama tekniklerinin daha önce bu konuda uygulandığı görülmüştür. Bundan dolayı tezin kapsamı daha önce bu konuda çalışılmamış Bulanık sinir ağları üzerinde odaklanmıştır. Etriyesiz betonarme kirişlerin kesme dayanımıyla ilgili daha önce yapılan deneysel çalışmalara ilişkin literatür taraması yapılmış ve 56 farklı çalışmaya ait toplam çok geniş aralıklı bir deneysel veritabanı (664 deney) toplanmıştır. Önerile Bulanık sinir ağ modeli bu deneysel veritabanına dayanmaktadır. Optimum Bulanık sinir ağ modelini bulmak için farklı üyelik fonksiyonları (Gaussian, Gaussian kombinasyonu, Genel zil şekli, Üçgen ve Yamuk) değişen üyelik fonksiyonları sayıları ile değerlendirilmiştir. Daha sonra önerilen bulanık sinir ağ modeli mevcut tasarım kodları ve kesme dayanımı denklemleri ile karşılaştırılmış ve daha doğru olduğu görülmüştür.

In this thesis, the availability of soft computing (SC) techniques (Neural Networks (NN), genetic programming (GP) and Neuro-Fuzzy (NF) for the prediction and formulation of shear strength of reinforced concrete (RC) beams without web reinforcement was investigated. Previous soft computing applications on shear strength of RC beams without web reinforcement have been surveyed firstly. It has been found that neural networks and genetic programming has been applied to modeling of shear strength of RC beams. Therefore the scope of the thesis is focused on neuro-fuzzy modeling which has not been studied so far. Literature survey on previous experimental studies has also been carried out regarding shear strength of RC beams without web reinforcement and a wide range of experimental database (664 tests) has been gathered from literature from 56 separate studies. The proposed neuro-fuzzy model is based on this wide range of experimental database. Various types of membership functions (MF) such as Gaussian, Gaussian combination, Generalized bell-shaped, Triangular-shaped and Trapezoidal-shaped membership functions are evaluated for varying number of membership functions to obtain the optimum NF model. The accuracy of the proposed NF model is compared with accuracies of current design codes and existing shear strength equations and found to be more accurate.