Vorhersage des Einschnürungseffekts von kohlefaserverstärkten Polymeren auf die Festigkeit von Beton unter Verwendung von metaheuristikbasierten künstlichen neuronalen Netzen

Core Concepts

Drei metaheuristische Modelle, einschließlich Partikel-Schwarm-Optimierung (PSO), Grauer-Wolf-Optimierer (GWO) und Bat-Algorithmus (BA), wurden mit künstlichen neuronalen Netzen kombiniert, um die Druckfestigkeit von CFRP-ummanteltem Beton genau vorherzusagen.

Abstract

Die Studie befasst sich mit der Vorhersage des Einschnürungseffekts von kohlefaserverstärkten Polymeren (CFRPs) auf die Festigkeit von Betonzylindern unter Verwendung von metaheuristikbasierten künstlichen neuronalen Netzen. Es wurde eine detaillierte Datenbank mit 708 CFRP-ummantelten Betonzylindern aus früheren Forschungsarbeiten erstellt, die Informationen zu 8 Parametern enthält, darunter geometrische Parameter wie Durchmesser (d) und Höhe (h) eines Zylinders, uneingeschränkte Druckfestigkeit des Betons (𝑓
𝑐𝑜
′ ), Dicke (nt), Elastizitätsmodul des CFRP (Ef), uneingeschränkte Betondehnung (εco), eingeschränkte Betondehnung (εcc) und die maximale Druckfestigkeit des eingeschränkten Betons (𝑓
𝑐𝑐
′ ). Drei metaheuristische Modelle, einschließlich Partikel-Schwarm-Optimierung (PSO), Grauer-Wolf-Optimierer (GWO) und Bat-Algorithmus (BA), wurden implementiert. Diese Algorithmen wurden mit einer Zielfunktion des mittleren quadratischen Fehlers auf die Daten trainiert, und ihre vorhergesagten Ergebnisse wurden gegen experimentelle Studien und Finite-Elemente-Analysen validiert. Die Studie zeigt, dass das hybride Modell von PSO die Festigkeit der CFRP-ummantelten Betonzylinder mit einer maximalen Genauigkeit von 99,13% vorhersagte und GWO die Ergebnisse mit einer Genauigkeit von 98,17% vorhersagte. Die hohe Genauigkeit der Vorhersagen der axialen Druckfestigkeit zeigte, dass diese Vorhersagemodelle eine zuverlässige Lösung für die empirischen Methoden sind. Die Vorhersagemodelle sind besonders geeignet, um zeitaufwendige Experimente zu vermeiden und den Prozess schnell und wirtschaftlich zu gestalten.

Stats

"Die uneingeschränkte Druckfestigkeit des Betons (𝑓
𝑐𝑜
′ ) und die Dicke der CFRP-Schichten haben den größten Einfluss auf die eingeschränkte Druckfestigkeit der Betonzylinder."
"Eine Erhöhung von 𝑓
𝑐𝑜
′ von 5 MPa auf 50 MPa und eine Erhöhung des Zylinderdurchmessers von 100 mm auf 550 mm bei konstanter Faserelastizität (Ef) führten zu einer Steigerung der eingeschränkten Festigkeit um 193,30%."
"Eine Erhöhung des Elastizitätsmoduls des FRP von 110 GPa auf 245 GPa bei der gleichen Erhöhung von 𝑓
𝑐𝑜
′ führte zu einer Steigerung der eingeschränkten Festigkeit um 484,91%."
"Eine Erhöhung der Dicke der FRP-Ummantelung von 0,15 mm auf 1,05 mm bei gleichzeitiger Erhöhung von 𝑓
𝑐𝑜
′ von 5 MPa auf 50 MPa führte zu einer Steigerung von 𝑓
𝑐𝑐
′ um 761,75%."

Quotes

"Die Erhöhung von 𝑓
𝑐𝑜
′ hat einen dominanteren Effekt, wenn die Dicke der FRP-Ummantelung erhöht wird."
"Mit einer Erhöhung des Elastizitätsmoduls des FRP von 110 GPa auf 245 GPa und einer Erhöhung der FRP-Dicke von 0,15 mm auf 1,05 mm stieg 𝑓
𝑐𝑐
′ um 55,75%."
"Bei einer Zunahme des Durchmessers der Betonzylinder verringert sich der Effekt des Elastizitätsmoduls auf die eingeschränkte Druckfestigkeit."

Key Insights Distilled From

Predicting Confinement Effect of Carbon Fiber Reinforced Polymers on Strength of Concrete using Metaheuristics-based Artificial Neural Networks

by Sarmed Wahab... at arxiv.org 03-22-2024

https://arxiv.org/pdf/2403.13809.pdf

Deeper Inquiries

Wie können die Vorhersagemodelle weiter verbessert werden, um eine noch genauere Vorhersage der Festigkeit von CFRP-ummanteltem Beton zu ermöglichen?

Um die Vorhersagemodelle für die Festigkeit von CFRP-ummanteltem Beton weiter zu verbessern und genauere Vorhersagen zu ermöglichen, könnten folgende Ansätze verfolgt werden:

Erweiterung des Datensatzes: Ein größerer und vielfältigerer Datensatz könnte die Modelle verbessern, indem mehr Variationen und Muster in den Daten erfasst werden.

Incorporation von weiteren Parametern: Die Berücksichtigung zusätzlicher Parameter wie Umgebungseinflüsse, Alterungseffekte oder Herstellungsprozessdetails könnte die Genauigkeit der Vorhersagen verbessern.

Feinabstimmung der Metaheuristiken: Eine detaillierte Feinabstimmung der Parameter der Metaheuristiken wie PSO, GWO und BA könnte zu besseren Ergebnissen führen, indem die Optimierungsfähigkeit der Modelle maximiert wird.

Verwendung fortgeschrittenerer neuronaler Netzwerkarchitekturen: Die Implementierung komplexerer neuronaler Netzwerkarchitekturen wie Convolutional Neural Networks (CNNs) oder Recurrent Neural Networks (RNNs) könnte die Modellleistung verbessern.

Integration von physikalischen Modellen: Die Kombination von maschinellen Lernmodellen mit physikalischen Modellen zur Modellierung des Verhaltens von CFRP-ummanteltem Beton könnte zu präziseren Vorhersagen führen.

Welche anderen Faktoren, die in dieser Studie nicht berücksichtigt wurden, könnten einen Einfluss auf die Festigkeit von CFRP-ummanteltem Beton haben?

Neben den in der Studie berücksichtigten Parametern könnten folgende Faktoren einen Einfluss auf die Festigkeit von CFRP-ummanteltem Beton haben:

Umgebungseinflüsse: Faktoren wie Temperatur, Feuchtigkeit und chemische Exposition können die Festigkeit des Betons beeinflussen, insbesondere wenn er mit CFRP ummantelt ist.

Einbauqualität: Die Qualität des Einbaus der CFRP-Ummantelung, einschließlich des Klebevorgangs und der Schichtdicken, kann die Festigkeit des ummantelten Betons beeinflussen.

Langzeitverhalten: Das Langzeitverhalten von CFRP-ummanteltem Beton unter verschiedenen Belastungsbedingungen und Alterungseffekten könnte einen signifikanten Einfluss auf die Festigkeit haben.

Fertigungsprozess: Unterschiede im Herstellungsprozess von CFRP-Materialien und Beton können zu Variationen in der Festigkeit führen.

Wie können die Erkenntnisse aus dieser Studie auf andere Arten von Faserverstärkungen und Betonmischungen angewendet werden, um deren Leistung zu optimieren?

Die Erkenntnisse aus dieser Studie könnten auf andere Arten von Faserverstärkungen und Betonmischungen angewendet werden, um deren Leistung zu optimieren, indem:

Anpassung der Modelle: Die entwickelten Vorhersagemodelle könnten an die spezifischen Eigenschaften anderer Faserverstärkungen und Betonmischungen angepasst werden, um präzise Vorhersagen zu treffen.

Experimentelle Validierung: Die experimentellen Methoden und Erkenntnisse aus dieser Studie könnten auf andere Materialien angewendet werden, um deren Festigkeit und Verhalten zu untersuchen.

Optimierung von Mischungsverhältnissen: Die Erkenntnisse über die Einflüsse von Parametern wie Festigkeit, Elastizität und Dicke könnten genutzt werden, um die Mischungsverhältnisse von Beton und Faserverstärkungen zu optimieren.

Entwicklung neuer Materialien: Die Erkenntnisse könnten dazu beitragen, die Entwicklung neuer Faserverstärkungen und Betonmischungen voranzutreiben, die auf verbesserten Festigkeitseigenschaften basieren.