بررسی میزان تاثیر نیروی محوری و آرماتورهای عرضی بر ظرفیت تغییرشکل جانبی ستون های بتن آرمه

ستون ها از اعضاء اصلی در سازه های متعارف، اعم از ساختمان ها و پل ها می باشند. بررسی رفتار لرزه ای و شناخت پارامترهای موثر در جهت بهبود و اصلاح عملکرد ستون های بتن آرمه در پاسخ به نیروهای حاصل از زلزله، از اهمیت بالایی برخوردار است. معمولاً آئین نامه ها و دستورالعمل های رایج در خصوص طراحی سازه ها در برابر زلزله بر اساس مقایسه نیروها است، در حالیکه روش های جدیدتر مبتنی بر تغییر شکل، با نگاهی دقیق تر به مسائلی چون شکل پذیری، سختی و مکانیزم های تخریب، سعی در پیش بینی واقع بینانه تر رفتار سازه ها دارند. در سال های اخیر بحث تعیین ظرفیت تغییر شکل جانبی ستون های (drift) در هنگام انهدام تحت اثر بارگذاری دوره ای مورد توجه قرار گرفته است، این بدان علت است که در روش های طراحی جدید بر اساس عملکرد، ظرفیت تغییر شکل جانبی ستون های بتن آرمه یکی از حالات حدی است که در فرآیند طراحی و تعیین شاخص خسارت این اعضاء مورد نیاز می باشد. به علت عدم دسترسی آسان به میزهای لرزان و وجود مشکلات فراوان در انجام آزمایش های مورد نیاز در این پایان-نامه از نتایج آزمایشگاهی 184 ستون بتن آرمه با مقطع مربع مستطیل استفاده شده است. این نتایج از بانک اطلاعاتی موسسه peer انتخاب شده است. این تحقیق به بررسی اجمالی رفتار ستون های بتن آرمه تحت اثر بارهای وارده و مولفه های پاسخ یک ستون بتن آرمه تحت بارهای جانبی پرداخته است. سپس با توجه به پارامترهای موثر در ظرفیت تغییر شکل جانبی ستون های بتن آرمه، مدلی جهت پیش بینی آن به تفکیک نوع انهدام ستون ها ارائه شده است. مدل پیشنهادی تخمین ظرفیت تغییر شکل جانبی ستون ها به لحاظ دقت مورد ارزیابی قرار گرفته است. در ادامه به منظور بالا بردن دقت در پیش بینی ظرفیت تغییرشکل جانبی ستون ها و در نظر گرفتن پارامترهای بیشتر در تخمین ظرفیت تغییرشکل جانبی، از روش شبکه های عصبی مصنوعی استفاده شده است. شبکه های عصبی مصنوعی در مقایسه با مدلهای رگرسیون خطی چندگانه، علاوه بر استفاده آسان، قادر به یادگیری روابط پیچیده و غیر خطی بین متغیرهای موجود می باشند. در ادامه، مدل پیشنهادی توسط شبکه عصبی مصنوعی به لحاظ دقت مورد ارزیابی قرار گرفته است و دقت آن با مدل ارائه شده توسط رگرسیون خطی چندگانه مقایسه شده است. که مدل طراحی شده توسط شبکه عصبی مصنوعی در مقایسه با رگرسیون خطی چندگانه از دقت بالاتری برخوردار است.