基于神經網絡的矩形鋼管混凝土破壞模態研究

陳志華，李紅星，王小盾

（天津大學建筑工程學院，天津300072）

基于神經網絡的矩形鋼管混凝土破壞模態研究

陳志華，李紅星，王小盾

（天津大學建筑工程學院，天津300072）

為了研究矩形鋼管混凝土柱軸壓破壞模態，總結了大量文獻的試驗數據，并采用Abaqus進行有限元模擬，有限元模擬結果作為研究破壞模態的補充數據.分析結果表明矩形鋼管混凝土柱軸壓的破壞模態主要分為受壓和受彎2種，長細比是影響破壞模態類型的最主要的因素.通過神經網絡的預測方法研究受壓及受彎2種破壞模態的長細比臨界值，同時對矩形鋼管混凝土柱的軸壓受壓受彎破壞模態長細比臨界值進行了參數化分析.結果表明：在本文研究參數范圍內，受壓與受彎2種破壞模態的長細比臨界值為32左右，長寬比（長/寬）越小，含鋼率越大，約束效應系數越大，臨界值越大；混凝土強度越大，臨界值越大；鋼管厚度越大，約束效應系數越大，臨界值越小；鋼材強度越大，約束效應系數越大，臨界值越小.

矩形鋼管混凝土柱；神經網絡；軸壓破壞模態；長細比；參數化

鋼管混凝土按截面形式不同，可分為圓鋼管混凝土、方鋼管混凝土和矩形鋼管混凝土等，矩形鋼管混凝土是指截面邊長（長邊D和短邊B）不相等的情況.方、矩形鋼管對其核心混凝土的約束效果不如圓鋼管顯著，但仍有良好的效果，尤其可以有效地提高構件的延性，另外，與梁連接節點的構造處理也較簡便，因此受到土木工程師們的青睞.目前，國內外對矩形鋼管混凝土的研究都集中于其力學性能的研究[1-4]，沒有針對其破壞模態進行研究.本文擬研究矩形鋼管混凝土的破壞模態類型及其影響因素，以期得出可供工程參考的結論，為研究鋼管混凝土的柱子曲線提供參考資料.

1 研究背景

1.1 矩形鋼管混凝土破壞模態

由本文通過匯總大量文獻[5-9]的試驗數據及試驗現象，得出以下幾種矩形鋼管混凝土柱主要的破壞模態：1）受壓破壞，鋼管先局部屈曲，隨后達到極限承載力，混凝土壓碎，破壞現象表現為柱子局部向外鼓曲；2）剪切破壞，混凝土過早剪切，試件未達到極限承載力；3）受彎破壞，試件達到最大承載力，由于偏心率、初始缺陷、長細比等因素影響，破壞現象表現為試件呈現整體屈曲，跨中側向撓度最大，試件中部混凝土被壓碎；4）失穩破壞，由于試件長細比過大等原因導致試件出現整體失穩，鋼管混凝土柱的跨中突然發生較大的側向撓度，不能繼續承載，試件未達到極限承載力.

由于文獻試驗數據的局限性，本文主要考慮矩形鋼管混凝土柱軸壓的受壓破壞及受彎破壞.試驗數據總結如表1所示.

表1 文獻數據匯總Tab.1 The database collected from the literature

續表1文獻數據匯總Tab.1 The database collected from the literature

1.2 神經網絡研究方法概述

人工神經網絡（Artificial Neural Networks，ANNs）也簡稱為神經網絡（NNs），它是一種模仿動物神經網絡行為特征，進行分布式并行信息處理的算法數學模型.這種網絡依靠系統的復雜程度，通過調整內部大量節點之間相互連接的關系，從而達到處理信息的目的.神經網絡在處理非線性復雜問題上具有突出優點，而其自學習功能對于預測有重要意義[10].BP網絡是應用最多的神經網絡，可以實現從輸入到輸出的任意非線性映射，其基本原理見圖1.因此，許多學者在神經網絡用于鋼管混凝土構件的工作中進行了許多有意義的嘗試.朱美春等[11]將BP網絡用于方鋼管混凝土計算，表明其模型具有良好的學習精度和較好的泛化能力.郝艷娥等[12]用BP網絡預測矩形鋼管混凝土柱的承載力，結果表明，與傳統方法相比，計算簡單且結果準確.Wang Haijun等[13]對受偏壓的方鋼管混凝土進行神經網絡模擬，預測結果準確，并且隨著數據量的增加，擬合效果更好.

圖1 神經網絡結構圖Fig.1 The structures of the neural networks

2 有限元模擬

2.1 本構關系

用于有限元模擬的矩形鋼管混凝土柱的材料力學性能參數選取韓林海[4]的試件rc1-1試驗數據，改變長細比進行模擬.ABAQUS軟件中的塑性（*PLASTIC）模型可以模擬多線性或雙線性應力-應變關系曲線[14]，本文鋼材采用理想彈塑性模型，鋼材屈服強度fy和抗拉極限強度fu和彈性模量取試驗實測值，分別為227.7 MPa、294.4 MPa、182 000 MPa，混凝土采用混凝土損傷塑性模型[15]，單軸受壓應力-應變關系采用文獻[16]中修正的鋼管混凝土中核心混凝土的本構關系，如下式：

混凝土泊松比νc取0.2，設置混凝土受拉開裂時的應變為0[17].計算中的混凝土的彈性模量Ec按規范ACI取值，為33 234 MPa；軸心抗壓強度fck按C60混凝土的換算公式fck=0.65 fcu進行換算，其中fcu取試驗值為59.3 MPa.

2.2 有限元模擬結果

本文考慮初始缺陷，先對韓林海[5]的rc1-1試件進行有限元模擬，模擬結果和實際試驗結果吻合較好（見表2），表明該有限元模型可以對矩形鋼管混凝土的破壞模態進行正確的模擬.為了補充文獻數據，有限元模型的長細比取值為20、25、30、35、37.24、38.11、38.97、40、45、50.有限元模型的基本數據如表2所示.有限元分析結果表明，長細比為20、25、30的柱子最終為受壓破壞，破壞過程中試件中部呈現局部鼓曲；長細比為35、37.24、38.11、38.97、40、45、50的柱子最終為受彎破壞，試件呈現整體彎曲，試件中部側向撓度最大.試件最終破壞模態和荷載位移曲線分為如圖2、圖3所示.

表2 有限元模型基本數據Tab.2 The details of the finite element models

圖2 矩形鋼管混凝土柱2種典型破壞模態Fig.2 Two typical failure modes of the rectangular CFT columns

圖3 有限元模型模擬結果-矩形鋼管混凝土柱荷載位移曲線Fig.3 The load-displacement curves of the finite element models and the test results

3 神經網絡預測破壞模態

3.1 神經網絡模型

使用MATLAB（R2014a）神經網絡工具箱建立神經網絡模型，采用基于BP算法的多層前饋網絡來進行模擬.

本文采用表1文獻中的試驗數據以及表2有限元模擬的數據，共62組數據，其中的54組進行網絡模型訓練，8組數據進行預測.長細比范圍為5.02～93.26；試件厚度范圍為2.86～7.6 mm；混凝土棱柱體抗壓強度標準值范圍為20.06～71.9 MPa；鋼管屈服強度范圍為194～495 MPa.網絡隱含層和輸出層變換函數均選擇線性（purelin），采用收斂速度最快的trainlm訓練算法，取學習效率lr=0.05，最大訓練步數epochs=2 000，控制誤差goal=0.001，附加動量因子0.95.訓練之前對數據做了歸一化處理，這樣便于網絡快速收斂.

模型均采用一個20節點的隱含層，如圖4所示.

圖4 神經網路ANN-1結構圖Fig.4 The structures of the neural network ANN-1

3.2 神經網絡模型的預測結果

8組預測數據實際輸出為Ttest，參考輸出為ttest，參考曹慶林應用神經網絡進行圍巖類別判斷的研究[18]，本文中ttest=[1，0]表示矩形鋼管混凝土柱為受壓破壞，ttest=[0，1]表示矩形鋼管混凝土柱為受彎破壞.實際輸出向量[a，b]，若a＞b，則可以判斷該矩形鋼管混凝土柱為受壓破壞；若a＜b，則可以判斷該矩形鋼管混凝土柱為受彎破壞.預測結果與參考破壞類型吻合良好，如表3所示，說明本文訓練的神經網絡模型可以應用于矩形鋼管混凝土柱軸壓破壞模態的預測.隨后，利用該神經網絡模型，只改變長細比的值，其他輸入變量的值保持不變，ξ=0.71，D=150 mm，B=100 mm，fck=43.25 MPa，ɑ=0.148，fy= 227.7 MPa，t=4 mm.預測出矩形鋼管混凝土柱軸壓的受壓破壞與受彎破壞的長細比臨界值為32，其預測輸出Ttest為[0.500 1，0.499 9].

表3 神經網絡預測結果Tab.3 The results of the neural networks

控制單一變量，進行參數化分析，研究約束效應系數、長寬比、混凝土強度、含鋼率、鋼管厚度、鋼材強度對長細比限值的影響.研究結果表明，矩形鋼管混凝土柱軸壓的受壓破壞與受彎破壞的長細比臨界值大小與約束效應系數、長寬比、混凝土強度、含鋼率、鋼管厚度、鋼材強度有關.長寬比（長/寬）越小，含鋼率越大，約束效應系數越大，臨界值越大；混凝土強度越大，臨界值越大；鋼管厚度越大，約束效應系數越大，臨界值越小；鋼材強度越大，約束效應系數越大，臨界值越小，結果如圖5所示.

圖5 長細比臨界值變化規律Fig.5 The variations of the slenderness ratio threshold with different parameters

4 結論

基于上述研究內容，在本文研究參數范圍內，可初步得出如下結論：

1）矩形鋼管混凝土柱軸壓破壞模態主要有受壓破壞及受彎破壞，長細比是影響破壞類型的最主要的因素.

2）神經網絡可以用于預測矩形鋼管混凝土柱軸壓破壞模態，在本文給定情況下，受壓破壞及受彎破壞的長細比臨界值為32.

3）矩形鋼管混凝土柱軸壓的受壓破壞與受彎破壞的長細比臨界值大小與約束效應系數、長寬比、混凝土強度、含鋼率、鋼管厚度、鋼材強度有關.長寬比（長／寬）越小，含鋼率越大，約效應系數越大，臨界值越大；混凝土強度越大，臨界值越大；鋼管厚度越大，約束效應系數越大，臨界值越小；鋼材強度越大，約束效應系數越大，臨界值越小.

[1]譚克峰，蒲心誠.鋼管超高強混凝土長柱及偏壓柱的性能與極限承載力的研究[J].建筑結構學報，2002，21（2）：12-19.

[2]Eurocode 4，EN 1994-1-1 Design of composite steel and concrete structures，Part 1.1.General rules and rules for buildings[S].British Standards Institution，2004.

[3]Lam D，Williams C A.Experimental study on concrete filled square hollow sections[J].Steel and Composite Structures，2004，4：95-112.

[4]堯國皇.鋼管混凝土構件在復雜受力狀態下的工作機理研究[D].福州：福州大學，2006.

[5]韓林海，楊有福.矩形鋼管混凝土軸心受壓構件強度承載力的試驗研究[J].土木工程學報，2001，34（4）：22-31.

[6]張素梅，郭蘭慧，葉再利，等.方鋼管高強混凝土軸壓短柱的試驗研究[J].哈爾濱工程大學學報，2004，34（12）：1610-1614.

[7]郭蘭慧，張素梅.截面長寬比對矩形鋼管高強混凝土軸壓構件的影響[J].哈爾濱工業大學學報，2003，35（增刊）：155-159.

[8]曲秀姝.矩形鋼管混凝土柱共同工作組合力學性能研究[D].天津：天津大學，2011：95-103.

[9]Mursi Mohanad，Uy Brian.Strength of concrete filled steel box columns incorporating interaction buckling[J].Journal of structural engineering，2003，5：626-639.

[10]張德豐.MATLAB神經網絡應用設計[M].北京：機械工業出版社，2012：37-50.

[11]朱美春，王清湘，馮秀峰.方鋼管混凝土短柱軸心受壓承載力的神經網絡模擬[J].計算力學學報，2006（3）：252-255.

[12]郝艷娥，翟振東.矩形鋼管混凝土短柱軸壓承載力神經網絡評估[J].長安大學學報（建筑與環境科學版），2004，21（3）：24-28.

[13]Wang Haijun，Zhu Huabei，Wei Hua.Bearing capacity of concrete filled square steel tubular columns based on neural network[J].Advanced Materials Research，2012，502：193-197.

[14]韓林海.鋼管混凝土結構：理論與實踐[M].第2版.北京：科學出版，2007.

[15]韓慶華，王一泓，徐杰，等.彈性混凝土-鋼組合梁非線性數值分析[J].天津大學學報：自然科學與工程技術版，2014，47（增刊）：91-95.

[16]劉威.鋼管混凝土局部受壓時的工作機理研究[D].福州：福州大學，2005：62-66.

[17]陳志華，杜顏勝，周婷.配螺旋箍筋方鋼管混凝土柱力學性能研究[J].建筑結構，2015，45（20）：28-33.

[18]曹慶林.用神經網絡方法預測圍巖類別[J].冶金礦山設計與建設，1994（5）:12-14.

[責任編輯 楊屹]

Study on the failure mode of concrete-filled rectangular steel tubular columns based on artificial neural network

CHEN Zhihua,LI Hongxing,WANG Xiaodun
（School of Civil Engineering,Tianjin University,Tianjin 300072,China）

In order to study on the failure mode of concrete-filled rectangular steel tubular columns(CFT)under axial compression,the article summarizes a lot of test data and uses Abaqus to simulate the failure mode,the results of simulation are used as supplemental data.The results show that the major failure mode of CFRT on axial compression can be divided into two kinds called compression and flexural,and slenderness ratio is the most important factor affecting the type of failure mode.We also studied on the threshold of slenderness ratio based on forecasting method neural network.At the same time,parameter analysis of slenderness ratio threshold was conducted with the neural network.The results show that the slenderness ratio of two types of failure mode is about 32.The smaller Aspect ratio(length/width)is,the greater steel ratio is,the greater confining factor is,the greater slenderness ratio is;the greater strength of concrete is,the greater slenderness ratio is;the greater steel thickness is,the greater confining factor is,the smaller slenderness ratio is;the greater strength of steel is,the greater confining factor is,the smaller slenderness ratio is.

concrete-filled rectangular steel tubular columns;artificial neural networks;failure mode;slenderness ratio;parameter analysis

TU398.9

A

1007-2373（2017）04-0104-07

10.14081/j.cnki.hgdxb.2017.04.018

2017-02-21

國家自然科學基金（61272264）

陳志華（1966-），男，教授，zhchen@tju.edu.cn.