Yüksek ısıya maruz betonarme döşemelerin eğilme kapasitesinin hesabında yapay ve bulanık sinir ağı yaklaşımı / Artificial neural networks and neuro-fuzzy approaches in prediction of the moment capacity of reinforced concrete slabs in high temperature

Abstract

Yangına maruz olan diğer betonarme elemanlar gibi döşemeler de yangından oldukça etkilenmektedir. Yüksek sıcaklıkta betonarme elemanların dayanımı azaldığından dolayı, betonarme döşemelerin taşıma gücü moment kapasiteleri de azalmaktadır. Bu tez çalışmasında, Yapay Sinir Ağı (YSA) ve Bulanık Sinir Ağı kullanılarak yangına maruz betonarme döşemelerin taşıma gücü moment kapasitelerinin belirlenebilmesi için bir tahmin modeli araştırılmış ve geliştirilmiştir. Yangına maruz betonarme döşemelerin hesaplanmış olan moment kapasiteleri ANFIS (Adaptive Neuro-Fuzzy Inference System) modeli ile tahmin edilmiş ve geliştirilen ANFIS modelinin tahmin etme kapasitesi araştırılmıştır. Farklı yangın etkime sürelerine maruz kalan farklı özellikteki betonarme döşemelerin eğilme kapasiteleri hesaplanırken yangının etkime süresine bağlı olarak ortaya çıkan yüksek sıcaklık ISO834 (1975)'de verilen ve zamanın fonksiyonu olarak tanımlanan bağıntı ile hesaplanmakta ve sıcaklığın döşeme içerisindeki dağılımı sürekli rejimde bir boyutlu ısı geçişi kabulü ile belirlenmektedir. Döşeme dilimlere ayrılmakta, yangının etkime süresine bağlı olarak dilimlerde oluşan sıcaklık belirlenmekte ve Eurocode 2 (1995)'deki azaltma katsayıları kullanılarak ortaya çıkan sıcaklık altındaki malzeme dayanımları ve kuvvetler hesaplanmaktadır. Kuvvetlerin dengesinden ise döşemenin eğilme kapasitesi elde edilmektedir. Bu yöntemle elde edilen verilerden bir veri kümesi oluşturulmuştur. Bu veri kümesinin %55'i eğitim aşamasında, %45'i ise test aşamasında kullanılmıştır. Elde edilen sonuçlar kurulan yapay ve bulanık sinir ağı modelinin yangına maruz betonarme döşemelerin eğilme kapasitesini tahmin etme kabiliyetini ortaya koymaktadır. Ayrıca yapay ve bulanık sinir ağı modelleri ile elde edilen sonuçlar karşılaştırılmıştır. Yapay sinir ağı modelinin, bulanık sinir ağı modeline göre daha iyi sonuçlar verdiği görülmektedir. Reinforced concrete slabs like the other reinforced concrete elements exposed to fire are also heavily influenced by fire. Since the strength of reinforced concrete elements under high temperatures is reduce, ultimate moment capacity of reinforced concrete slab is also reduced. In this thesis, the prediction model using Neuro-Fuzzy and Artificial Neural Networks (ANN) to predict the ultimate moment capacity of reinforced concrete slabs in fire is investigated and developed. The calculated moment capacity of reinforced concrete slabs in fire is estimated by ANFIS (Adaptive Neuro-Fuzzy Inference System) model and the prediction capacity of evaluated ANFIS model is investigated. Calculating the flexural capacity of reinforced concrete slabs with different properties exposed to different fire effect time, emerging high temperature depending on the effect duration of fire is calculated by formula given and also defined as a function of time in ISO834 (1975). Temperatures in slices inside section of slab are obtained by formulas in one dimensional steady heat transfer. The slab is divided into slices for analysis, depending on effective time of fire the temperature in which slices is determined, and resistance of the material and forces in occurred temperature by using reduced coefficients in Eurocode 2 (1995) are calculated. The bending capacity of the slab was obtained from the balance of the forces. The data set was created from data obtained from this method. 55% and 45% of this set of data were used in the training and the testing phase, respectively. The results obtained shows that considered artificial neural networks and neuro-fuzzy model are able to predict ultimate moment capacity of reinforced concrete slabs in fire. Also, on this thesis results obtained with the artificial neural networks and neuro-fuzzy model are compared. It is seen that the considered artificial neural network model gives better results than the considered neuro-fuzzy model.