• 콘크리트학회지
• /
• 제8권3호
• /
• pp.187-195
• /
• 1996

콘크리트 구조요소의 비선형거동을 예측하기 위하여 압축응력장 이론의 기본개념인 압축강도 연화 현상, 거시적 및 회전균열 모델을 고려한 유한요소해석이 제시되었다. 수치해석상의 효율성 및 최대하중 이후의 거동에 주안점을 두어 초기재료 강성을 채택한 변위증분법 논리 및 빠른 수렴을 위한 Over-Relaxation 방법이 Isoparametric계의 8-Node 요소에 포함.유도되었다. 상기에 근거하여 제작된 비선형 프로그램, NASCOM은 다조하중을 지지하는콘크리트 구조요소의 내력, 변형특성, 균열 분포 상황 및 보강근의 항복 분포를 예측하는데 사용할 수 있다. NASCOM의 성능을 검토하기 위하여 이러한 목적에 빈번히 사용되는 Bhide의 패널(PB21) 및 Leonhardt의 춤이 큰보에 대한 해석이 실시되었다. 패널에 대한 해석결과는 대체로 변형이력 및 강도가 강한 거동을 나타내는 반면에, 춤이 큰보에 대해서는 변형이력이 유연한 거동을 나타내고있어, 향후 보다 정확한 결과를 예측하기 위해서는 콘크리트의 인강강화 및 압축강도 연화현상에 대하여 좀더 향상된 재료모델의 고려가 필요한 것으로 판단되었다.

• Computers and Concrete
• /
• 제22권2호
• /
• pp.249-259
• /
• 2018

This paper presents Artificial Neural Network (ANN) models for evaluating bond strength of deformed, plain and cold formed bars in low strength concrete. The ANN models were implemented using the experimental database developed by conducting experiments in three different universities on total of 138 pullout and 108 splitting specimens under monotonic loading. The key parameters examined in the experiments are low strength concrete, bar development length, concrete cover, rebar type (deformed, cold-formed, plain) and diameter. These deficient parameters are typically found in non-engineered reinforced concrete structures of developing countries. To develop ANN bond model for each bar type, four inputs (the low strength concrete, development length, concrete cover and bar diameter) are used for training the neurons in the network. Multi-Layer-Perceptron was trained according to a back-propagation algorithm. The ANN bond model for deformed bar consists of a single hidden layer and the 9 neurons. For Tor bar and plain bars the ANN models consist of 5 and 6 neurons and a single hidden layer, respectively. The developed ANN models are capable of predicting bond strength for both pull and splitting bond failure modes. The developed ANN models have higher coefficient of determination in training, validation and testing with good prediction and generalization capacity. The comparison of experimental bond strength values with the outcomes of ANN models showed good agreement. Moreover, the ANN model predictions by varying different parameters are also presented for all bar types.