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

Autor

DOI:

https://doi.org/10.24425/ace.2023.144170

Abstrakt

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.

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].

Opublikowane

2023-03-30

Jak cytować

Stręk, Anna M. „Nowy Model Reologiczny Dla Polimeru Podatnego W Spektrum Temperatur Uzyskany Za Pomocą Sztucznych Sieci Neuronowych”. Archives of Civil Engineering, t. 69, nr 1, marzec 2023, s. 231-43, doi:10.24425/ace.2023.144170.

Numer

Dział

Articles

Podobne artykuły

1 2 3 4 5 6 7 8 9 10 > >> 

Możesz również Rozpocznij zaawansowane wyszukiwanie podobieństw dla tego artykułu.