universitatea tehnicĂ „gheorghe asachi” din … pandele… · calcul cu elemente de tip shell...

UNIVERSITATEA TEHNICĂ „GHEORGHE ASACHI” DIN IAŞI

Facultatea de Construcții și Instalații

DIAGNOSTICĂRI ÎN DOMENIUL CONSTRUCȚIILORUTILIZÂND REȚELE NEURONALE ARTIFICIALE

REZUMATUL TEZEI DE DOCTORAT

Doctorand: Ing. Pandelea (căs. Andon) Alexandrina-Elena

Conducător de doctorat:

Prof. univ. dr. ing. Budescu Mihai

IAȘI - 2017

1

CUPRINS

CAPITOLUL 1 INTRODUCERE ....................................................................................................... 4

1.1 Aspecte generale ........................................................................................................................... 4

1.2 Conținutul tezei ............................................................................................................................. 7

CAPITOLUL 2 REȚELE NEURONALE ARTIFICIALE .............................................................. 9

2.1 Neuronul artificial: definiţie, principalele componente, funcţii de activare ................................. 9

2.2 Scheme bloc ale neuronului artificial .......................................................................................... 10

2.3 Reţele neuronale artificiale ......................................................................................................... 11

2.3.1 Clasificarea RNA în funcţie de sensul de parcurgere al informaţiei .................................... 11

2.3.1.1 Feedforward sau asociative ........................................................................................... 11

2.3.1.2 Feedback sau autoasociative ......................................................................................... 12

2.3.1.3 Backpropagation ........................................................................................................... 12

2.3.2 Clasificarea RNA în funcţie de numărul de straturilor ........................................................ 13

2.3.2.1 Rețeaua neuronală artificială cu un strat ....................................................................... 13

2.3.2.2 Reţeaua neuronală artificială cu două straturi ............................................................... 13

2.3.2.3 Rețeaua neuronală cu trei straturi .................................................................................. 13

2.3.2.4 Rețeaua neuronală artificială cu mai multe straturi ...................................................... 14

2.3.3 Clasificarea RNA în funcţie de conexiunile dintre neuroni ................................................. 14

2.4 Tipuri de învăţare specifice RNA ............................................................................................... 14

2.5 Algoritmi de învăţare specifici rețelelor neuronale..................................................................... 15

2.5.1 Algoritmul de minimizare a erorii ....................................................................................... 15

2.5.2 Algoritmul Widrow-Hoff ..................................................................................................... 15

2.5.3 Algoritmul backpropagation ................................................................................................ 15

2.6 Avantajele utilizării rețelelor neuronale artificiale ..................................................................... 15

2.7 Dezavantajele utilizării rețelelor neuronale artificiale ................................................................ 16

CAPITOLUL 3 APLICAȚII ALE RNA ÎN DOMENIUL INGINERIEI CIVILE ...................... 17

3.1 Domenii de aplicare a rețelelor neuronale artificiale .................................................................. 17

3.2 Probleme de prognoză sau estimare ............................................................................................ 17

3.3 Probleme de proiectare................................................................................................................ 22

3.4 Probleme de diagnosticare .......................................................................................................... 24

3.5 Probleme de urmărire în timp ..................................................................................................... 25

2

3.6 Probleme de optimizare .............................................................................................................. 26

CAPITOLUL 4 PRELUCRAREA IMAGINILOR CU RNA ......................................................... 27

4.1 Noțiuni introductive privind prelucrarea de imagini................................................................... 27

4.2 Etapele de prelucrare a imaginilor cu RNA ................................................................................ 28

4.3 Aplicații ale rețelelor neuronale cu prelucrare de imagini .......................................................... 28

4.3.1 Probleme rezolvate cu RNA în domeniul inspecţiei industriale .......................................... 28

4.3.2 Probleme rezolvate cu RNA în domeniul medical ............................................................... 28

4.3.3 Probleme rezolvate cu RNA în domeniul apărării ............................................................... 29

4.3.4 Probleme rezolvate cu RNA în domeniul automaticii ......................................................... 29

4.3.5 Probleme rezolvate cu RNA în domeniul mecanicii ............................................................ 29

4.3.6 Probleme rezolvate cu RNA în domeniul transporturilor .................................................... 29

4.3.7 Probleme rezolvate cu RNA în domeniul ingineriei ............................................................ 29

CAPITOLUL 5 IDENTIFICAREA STĂRII DE EFORTURI ȘI A CAR ACTERISTICILOR MECANICE PE BAZA IMAGINII UNEI SECȚIUNI ................................................................... 31

5.1 Introducere .................................................................................................................................. 31

5.2 Prezentarea generală a programului ISANNIF ............................................................................ 31

5.3 Interfața grafică a programului ISANNIF .................................................................................... 32

5.4 Etapa de calcul a programului ISANNIF ..................................................................................... 33

5.5 Verificări efectuate în cadrul programului ISANNIF .................................................................. 35

5.6 Rezultatele generate de programul ISANNIF .............................................................................. 35

5.7 Studiu de caz ............................................................................................................................... 36

5.7.1 Descrierea modelului analizat .............................................................................................. 36

5.7.1.1 Model 1 - macro-modelare cu elemente de tip solid, analiză liniară ............................ 38

5.7.1.2 Model 1 - macro-modelare cu elemente de tip solid, analiză neliniară ........................ 38

5.7.1.3 Model 2 - micro-modelare cu elemente de tip solid, analiză liniară ............................. 38

5.7.1.4 Model 2- micro-modelare cu elemente de tip solid, analiză neliniară .......................... 38

5.7.1.5 Model 3- macro modeleare cu elemente de tip shell .................................................... 38

5.7.2 Compararea rezultatelor ....................................................................................................... 38

5.7.3 Interpretarea rezultatelor ...................................................................................................... 41

5.8 Identificarea stării de eforturi a unei structuri cu pereți groși din zidărie utilizând programul ISANNIF ............................................................................................................................................ 41

5.8.1 Compararea rezultatelor ....................................................................................................... 44


3

CAPITOLUL 6 IDENTIFICAREA OMOGENITĂȚII BETONULUI PE BAZA IMAGINILOR ............................................................................................................................................................... 46

6.1 Metode clasice de evaluare a omogenității betonului ................................................................. 46

6.2 Prezentarea generală a programului ucANN ............................................................................... 46

6.3 Interfața grafică a programului ucANN ....................................................................................... 48

6.4 Etapa de calcul a programului ucANN ........................................................................................ 49

6.5 Studiu de caz ............................................................................................................................... 50

6.5.1 Descrierea modelului analizat .............................................................................................. 50

6.5.2 Rezultatele generate de ucANN ............................................................................................ 52


CAPITOLUL 7 EVALUAREA PERFORMANȚELOR ECOLOGICE ALE STRUCTURILOR DIN BETON ARMAT ........................................................................................................................ 57

7.1 Noțiuni generale privind impactul asupra mediului a unor elemente structurale din beton ....... 57

7.2 Prezentarea generală a programului ANNC02 ............................................................................ 57

7.3 Interfața grafică a programului ANNCO2 ................................................................................... 58

7.4 Compararea rezultatelor generate de programul ANNCO2 și programul GaBi ts ...................... 59

CAPITOLUL 8 CONCLUZII. CONTRIBUȚII PE RSONALE ȘI DISEMINAR EA REZULTATELOR ............................................................................................................................. 62

8.1Concluzii generale........................................................................................................................ 62

8.2 Contribuții personale ................................................................................................................... 64

8.3 Diseminarea rezultatelor ............................................................................................................. 65

BIBLIOGRAFIE SELECTIVĂ ......................................................................................................... 67

4

î t bă i

CAPITOLUL 1 INT

RODUCERE

1.1 Aspecte generale

Inteligența artificială (IA) este un domeniu care presupune crearea unor sisteme, cu o arhitectură diferită față de sistemele biologice, care să imite creierul uman în modul de gândire, interacționare și de a răspunde.

Inteligența computațională (IC)este un subdomeniu al Inteligenței Artificialecare cuprinde algoritmi, concepte, metode inspirate din natură, paradigme, sisteme, care manifestă un comportament inteligent într-un mediu complex.

În prezent, sunt numeroase aplicații ale inteligenței artificialecare s-au materializat prin tehnologii noi, precum: sisteme expert, agenți inteligenți, algoritmi genetici, sisteme neuronale, sisteme fuzzy, sisteme hibride, procesarea limbajului natural, programarea automatică, traducerea automată, vedere artificială, robotică, recunoașterea vorbirii, instruirea asistată de calculator etc.

Sistemele expert (SE) sunt forme ale inteligenței artificiale, proiectate pentru a reproduce metode de rezolvare a problemelor bazate mai mult pe raționamente decât pe calcule. În figura 1.1 se remarcă faptul că aceste sisteme au abilitatea de a oferi soluții d in calitatea de expert utilizând informații culese din experiență umană sau au capacitatea de a încerca să ajungă la o concluzie pornind de la premise care pot fi valide sau invalide. Problemele rezolvate cu ajutorul sistemelor expert sunt cele care privesc proiectarea, predicția, diagno sticarea, planificarea, supravegherea, interpretarea, instruirea etc.

Fig. 1.1- Sistem Expert

5

Agenții inteligenți(AI)sunt cei care acceptă percepții din partea mediului și generează ca răspuns acțiuni. Un exemplu de agent inteligent poate fi sistemul medical de diagnosticare, care percepe simptome, reacții, răspunsuri ale pacienților într-un mediu (spital), urmat de acțiuni diverse precum ar fiîntrebări, teste, tratamente, toate având ca scop însănătoşirea pacienților și minimizări ale costurilor.Un agent inteligent are capacitatea de a coopera,învăța și de fi independent. Asocierea în diverse moduri a acestor capacități, figura 1. 2implică crearea agențilorcolaborativi, de interfață și de învățare.

.

Fig. 1.2 - Agenți Inteligenți

Algoritmii genetici (AG)sunt inspirați dinteoria lui Darwin privind evoluția , sunt folosiți cu succes înproblemelepentru care căutarea în domeniul soluțiilor devine complicată sau pentru problemele care necesară optimizări globale ale soluțiilor.Aceștia menţin o populaţie care evoluează pe parcursul unor generaţii prin aplicarea a doi operatori genetici, mutaţia şi încrucişarea. Selecţia celui mai bun individ se realizează conform principiului prezentat în figura 1.3.

Fig. 1.3 - Algoritmi Genetici

6

Rețelele neuronale artificiale (RNA)fac parte din domeniul Inteligenţei Artificiale,fiind capabile să descrie o problemă şi săo rezolve într-un timp foarte scurt, fără a utiliza un anumit program. Rezolvareaproblemei presupune o autoorganizare a reţelelor neuronale artificiale în urma unui proces de învăţare. Astfel, s-au dezvoltat o serie de algoritmi de antrenare a reţelelor, fiecare având avantaje şi dezavantaje, putându-se aplica cu sau fără succes în unele cazuri. RNA au capacitate de învăţare, sinteză şi generalizare.Pentru a crea o rețea neuronală este necesar să se cunoască datele de pe stratul de intrare și datele de pe stratul de ieșire. Arhitectura unei RNA este prezentată în figura 1.4.

Fig. 1.4 - Rețeaua Neuronală Artificială

Sistemele fuzzy(SF)sunt sisteme care pot controla simultan cunoştinţe lexicale şi date numerice. Deşi sunt uşor de modificat când apar noi reguli de învăţare, sunt utilizate doar în aplicaţii cu un număr mic de variabile de intrare. Sistemele de tip fuzzy pot raţiona folosind informaţii imprecise şi genera explicaţii cu privire la raţionamentul aplicat.Fuzzificarea implică transpunerea în seturi fuzzy a datelor numerice iar defuzzificarea este procesul invers fuzzificării. Procesul de implicație constă în implementarea unor reguli de funcționare, figura 1.5.

Fig. 1.5 -Sisteme Fuzzy

7

Sistemele hibride (SH)sunt o combinaţie între cel puţin două sisteme inteligente (figura 1.6), cum ar ficele care au la bază reguli (SF) şi cele cu învăţare automată (RNA, AG). Prin fuziunea unor astfel de sisteme inteligente, capabilitatea şi performanţa de învăţare a sistemelor creşte.

Fig. 1.6 - Sisteme Hibride

Domeniul Ingineriei Civile se confruntă cu o serie de probleme complexe, în special în proiectare și management, a căror rezolvare necesită cunoștințe de matematică, fizică și mecanică, o îndemânare și o atenție sporităla efectuarea unui volum mare de calcule și deasemenea de o experiență practică în cadrul acestui domeniu. Inteligența artificială poate fi folosită pentru rezolvarea acestor probleme din domeniul Ingineriei Civile.

1.2 Conținutul tezei

Teza este structurară pe 8 capitole și o listă bibliografică proprie.

În Capitolul 1 – Introducere sunt evidențiatenumeroase sisteme ale Inteligenței A rtificiale care pot contribui la dezvoltarea cercetăriidin domeniul Ingineriei Civile.

În Capitolul 2 – Rețele neuronale artificiale sunt prezentate structura neuronului biologic, a neuronului artificial, modele de rețele neuronale și funcții de activare. De asemenea, sunt detaliate arhitecturi ale rețelelor neuronale în funcție de sensul de parcurgere al informației, de numărul de straturi, de conexiunile dintre neuroni și de algoritmii de învățare. Se remarcă în cadrul acestui capitol o serie de avantaje și dezavantaje pe care le dezvoltă rețelele neuronale pe parcursul utilizării lor.

În Capitolul 3 – Aplicații ale RNA în domeniul Ingineriei Civileeste evidențiată o sintezăa problemelor complexe din cadrul Inginerie Civile.

În Capitolul 4 – Prelucrarea imaginilor cu RNA sunt evidențiate etapele de prelucrare a imaginilor cu ajutorul rețelelor neuronale. De asemenea sunt detaliate o serie de aplicații a rețelelor neuronalecare implică prelucrări de imagini în diverse domenii, precum:Medicină, Apărare, Mecanică, Inspecția Industrială Transport, Automatică, Inginerie Civilă, etc.

În Capitolul 5 – Identificarea stării de eforturi și a caracteristicilor mecanice pe baza imaginii unei secțiuni s-a conceput programulISANNIFîn mediu de programare Matlab careidentifică starea de

8

eforturi în orice secțiune dintr -un element structural pe baza hărților de tensiuni furnizate de programele de analiză cu element finit, fără nici un fel de restricție. Mai mult programul furnizează starea de eforturi față de orice axă impusă pe secțiune și oferă posibilitatea de limitare a tensiunilor de întindere pâna la o anumită valoare declarată de utilizator.Pentru analize comparative s-a efectuat un calcul cu elemente de tip shell cu programul Etabs pentru două modele (un șpalet de zidărie și o structură cu pereți groși din zidărie).

În Capitolul 6 – Identificarea omogenității betonului pe baza imaginilor s-a conceput programulucANN în mediu de programare Matlabcareidentifică omogenitatea betonului fără să fie cunoscută rezistența la compresiune a betonului. Metoda implementată în cadrul programului introduce un coeficient nou de distribuție asociat omogenității , coeficient care ține cont de dispersia în beton a materialelor reciclabile (cauciuc, PET-uri, sticlă, granulele de polistiren, lână, etc.), a aerului oclus, a agregatelor, a aditivilor, a materialelor compozite etc.

De asemenea, programul ucANN permite stabilirea centrelor de greutate pentru fiecare particulă de adaos întâlnită pe imaginea segmentată și al centrului de masăpentru secțiuni omogene (centrul geometric a secțiunii) și neomogene.

Ca studiu de caz s-a identificat omogenitatea betonului pentru probe din beton cu adaos de cauciuc reciclat și cu granule de polistiren.

În Capitolul 7 – Evaluarea performanțelor ecologice ale structurilor din beton armat s-a conceput programulANNCO2în mediu de programare Matlab care evaluează performanțele ecologice pentru structuriledin beton armat prinprognozarea amprentei de carbonpentru prima fază a ciclului de viață (execuția și procesarea materiilor prime).S-au realizat analize comparative privind rezultatele prognozate de programul ANNCO2 și programul automat de calcul GaBi ts.

În Capitolul 8 – Concluzii.Contribuții personale și diseminarea rezultatelor sunt evidențiate concluziile privind conceperea și utilizarea programelor ISANNIF, ucANN și ANNCO2. De asemenea sunt prezentate rezultatele obținute pe parcursul programului de cercetare doctorală care au fost valorificate prin publicarea unor lucrări științifice.

9

CAPITOLUL 2 R

EȚELE NEURONALE ARTIFICIALE

2.1 Neuronul artificial: definiţie, principalele componente, funcţii de activare

Domeniul reţelelor neuronale artificiale a prezentat în ultimii ani un interes considerabil. Din anul 1943, când psiho-neurologul Warren McCulloch împreună cu teoreticianul Walter Pitts au prezentat primul model de neuroni artificiali, au apărut, de la un deceniu la altul, reţele neuronale artificiale din ce în ce mai complexe. Punctul de inspiraţie al reţelelor neuronale artificiale îl reprezintă sistemul nervos al cărei unitate de organizare este neuronul biologic. Principiul de funcționare al neuronului biologic este prezentat în figura 2.1.

Fig. 2.1 - Neuronul biologic

Neuronul artificial este o copie simplificată a neuronului biologic, el putând fi reprezentat sub forma unei funcţii cu mai multe variabile.Prima abstractizarea matematică a neuronului, prezentată schematic în figura 2.2,a fost concepută structura componentelor: dentritele - intrări, notate cu 𝑥𝑥𝑖𝑖� , 𝑖𝑖 = 1,𝑛𝑛��, sinapsele - ponderi, notate cu 𝑤𝑤𝑖𝑖��, 𝑖𝑖 = 1,𝑛𝑛��, neuronul – procesorul și axonul ieșirea , notată cu y.

Fig. 2.2 - Neuronul artificial

10

Intrările unui neuron artificial sunt valori numerice din mulţimea numerelor reale care pot fi reprezentate sub forma unei matrice cu n linii şi o singură coloană. Fiecărui element din matrice îi este asociat o pondere excitatoare (valori numerice pozitive) sau o pondere inhibitoare (valori numerice negative). La suma intrărilor ponderate se adaugă un termen de polarizare, notat cu b, care exprimă starea iniţială a respectivului neuron. Termenul de polarizare se întâlneşte în literatura de specialitate sub denumirea de bias, fiind o pondere a unei intrări cu valoarea egală cu +1. Asupra sumei obţinute prin sumarea valorilor intrărilor ponderate şi a termenului bias se utilizează o funcţie de activare, rezultând astfel valoarea de ieşire din neuron.

Funcţia de activare (σ) este o funcţie care aparţine unor clase de funcţii uzuale, cu diverse forme. Ea are rolul de a limita intervalul de variaţie a ieşirii neuronului artificial la un interval prestabilit. Dintre cele mai folosite funcţii de activare a neuronului artificial amintim:

- funcţie treaptă unipolară, bipolară; - funcţie liniară, bipolară, cu saturaţie; - funcţie log-sigmoidală, tan-sigmoidală; - funcţie gaussiană.

2.2 Scheme bloc ale neuronului artificial

Reprezentarea sistematică a unui neuron artificial se realizează prin blocuri funcţionale care au ca scop prezentarea principiilor de funcţionare ale acestuia. Un neuron artificial poate avea cel puţin o intrare scalară, notată cu x, unde x ϵ IR şi o singură ieşire scalară, notată cu y, unde y ϵ IR. Schema bloc a neuronului artificial cuprinde doi parametri: ponderea, notată cu w, unde w ϵ IR şi bias, notat cu b, unde b ϵ IR . Principiul de funcţionare al neuronului artificial, cu o singură intrare şi o singură ieşire, poate fi reprezentat sub forma unei scheme bloc(fig.2.3).

Fig. 2.3 - Schema bloc a unui neuron artificial cu o intrare(Matcovschi M., Păstrăvanu O., 2008)

Semnalului de intrare, x, îi este asociat o pondere scalară, w, iar parametrul b este alimentat cu un semnal de intrare cu valoare precizată, 1. Capacitatea specifică de învăţare al neuronului artificial se bazează pe ajustarea valorilor parametrilor w şi b. Semnalul rezultat în urma sumării, notat cu u, unde u ϵ IR, va fi folosit în funcţia de activare, σ, putând fi exprimat algebric cu relația (2.1).

11

𝑢𝑢 = 𝑤𝑤𝑥𝑥 + 𝑏𝑏 (2.1)

Funcţiile de tip liniar sau neliniar, de tip analitic sau standard, sunt folosite ca funcţii de activare al neuronului artificial. Blocul σ reprezintă nodul neuronului, iar cel de al doilea bloc, aflat în exteriorul blocului σ,reprezintă ansamblul care generează semnalul u şi care defineşte partea liniară. Ieşirea neuronului artificial, yeste o valoare reală reprezentată cu ajutorul funcţiei de activarefolosind relaţia (2.2).

𝑦𝑦 = 𝜎𝜎(𝑤𝑤𝑥𝑥 + 𝑏𝑏) (2.2)

Principiul de funcţionare al neuronului artificial, cu n intrări şi o singură ieşire, poate fi reprezentat sub forma unei scheme bloc, figura 2.4. La semnalele de intrare, xi,,unde i=1…n,ponderate cu valori scalare, wi, unde i=1…n, este adăugat un semnal de intrare cu valoare precizată, 1 şi cu pondere b. Ajustarea valorilor parametrilor w şi b are ca scop îmbunătăţirea capacităţii de învăţare a neuronului artificial. Suma tuturor semnalelor ponderate, notată cu u, unde u ϵ IR, va fi utilizată în funcţia de activare, σ, putând fi exprimată algebric cu relația (2.3).

𝑢𝑢 = 𝑤𝑤1 ∙ 𝑥𝑥1 + ⋯+ 𝑤𝑤𝑛𝑛 ∙ 𝑥𝑥𝑛𝑛 + 𝑏𝑏 = ∑ 𝑤𝑤𝑖𝑖 ∙ 𝑥𝑥𝑖𝑖 + 𝑏𝑏𝑛𝑛𝑖𝑖=1 (2.3)

Fig. 2.4 - Schema bloc a unui neuron artificial cu n intrări(Matcovschi M., Păstrăvanu O., 2008)

2.3 Reţele neuronale artificiale

2.3.1 Clasificarea RNA în funcţie de sensul de parcurgere al informaţiei

2.3.1.1 Feedforward sau asociative

O reţea neuronală artificială feedforward (figura 2.5) constă într-un ansamblu de neuroni organizaţi pe straturi şi cu un sens de circulaţie al informaţiei de la intrare spre ieşire. Conexiunile dintre neuroni sunt ponderate permiţând unui neuron să fie conectat doar la neuroni din stratul imediat superior.

12

Fig. 2.5 - Reţea neuronală feedforword cu un strat

2.3.1.2 Feedback sau autoasociative

Rețeaua feedback este o rețea recurentă, care permite conexiuni între neuronii aceluiaşi strat sau între două straturi diferite, cu memorie asociativă şi care primeşte un semnal de intrare fie din stratul de ieşire sau din straturile ascunse, figura 2.6.

Fig. 2.6 - Reţea neuronală feedback

2.3.1.3 Backpropagation

Rețeaua neuronală de tip backpropagation este o reţea în care semnalul se propagă înainte iar eroarea în sensul invers de propagare al semnalului. Ea poate cuprinde un singur strat ascuns sau mai multe straturi, figura 2.7.

Fig. 2.7 - Reţeaua neuronală de tip backpropagation

13

2.3.2 Clasificarea RNA în funcţie de numărul de straturi

2.3.2.1 Rețeaua neuronală artificială cu un strat

Arhitectura acestui tip de structură se caracterizează printr-un număr de neuroni egal cu numărul de ieșiri ai rețelei şi printr-o funcție de activare care este aceeași pentru toți neuronii. În figura 2.8 este prezentată schema bloc a unei rețele neuronale artificiale cu un singur strat de neuroni.

Fig. 2.8- Schema bloc a RNA cu un singur strat(Matcovschi M., Păstrăvanu O., 2008)

2.3.2.2 Reţeaua neuronală artificială cu două straturi Rețeaua neuronală cu două straturi (fig.2.9) presupune o înseriere de două reţele cu câte un singur strat fiecare, astfel încât ieşirile primului strat să constituie intrările celui de-al doilea strat.Numărul ieşirilor primului strat va coincide cu numărul intrărilor în cel de-al doilea strat. Funcţiile de activare de pe primul strat pot fi diferite de funcţiile de activare de pe cel de-al doilea strat.

Fig. 2.9 - Schema bloc a unei rețele neuronale cu două straturi(Matcovschi M., Păstrăvanu O., 2008)

2.3.2.3 Rețeaua neuronală cu trei straturi

Rețeaua neuronală formată din trei straturi (fig.2.10) presupune ca intrările fiecărui strat să coincidă cu ieşirile stratului care îl precede. Stratul de neuroni dintre cel de intrare şi cel de ieşire poartă numele de strat ascuns.

14

Fig. 2.30 - Schema bloc a unei rețele neuronale cu trei straturi(Matcovschi M., Păstrăvanu O., 2008)

2.3.2.4 Rețeaua neuronală artificială cu mai multe straturi

În aplicaţiile practice, arhitecturile uzuale ale RNA nu depăşesc trei straturi.În teorie, rețelele neuronale artificiale cu mai multe straturi sunt construite pe principiul că numărul ieşirilor de pe un stratul predecesor va coincide cu numărul intrărilor în stratul succesor.

2.3.3 Clasificarea RNA în funcţie de conexiunile dintre neuroni

Rețelele neuronale pot stabili: - conexiuni între neuronii aceluiaşi strat; - conexiuni între neuronii unor straturi diferite.

Este posibil ca RNA să coexiste ambelor tipuri de conexiuni.

2.4 Tipuri de învăţare specifice RNA

Cea mai importantă etapă din cadrul procesului de proiectare şi construire a unei reţele neuronale de orice tip o reprezintă învăţarea. Ea presupune o modificare a valorilor ponderilor conexiunilor specifice dintre neuronii reţelei neuronale, modificare realizată în scopul codificării tuturor informaţiilor. Procesul de învăţare implică un set de date cunoscute pentru antrenare şi un algoritm capabil să se adapteze la informaţiile primite. Procesele uzualeprivind modul de instruire (învăţare sau antrenare) a reţelelor suntînvăţarea nesupervizată sau autoorganizare, învăţarea supervizată și învăţarea cu întărire. Învăţarea nesupervizată sau ,,autoorganizarea” este o metodă care nu dispune de ,,profesor”, folosită în timp real sau când nu există precizie de calcul sau informaţie care să permită utilizarea unui algoritm de învăţare supervizat.

Învăţarea supervizată este o metodă care dispune de un ,,profesor” extern şi/sau de existenţa unei informaţii globale. Fiecărui vector de intrare îi este asociat un vector de ieşire care reprezintă răspunsul dorit de reţea.Vectorul de intrare şi cel de ieşire formează o epocă de antrenament. RNA poate fi antrenată folosind un anumit număr de epoci de antrenament, număr stabilit în funcţie de natura şi complexitatea problemei.

15

Învăţarea cu întărire se caracterizează printr-o întărire a valorilor ponderilor cu cât răspunsul este mai apropiat de ieşirea dorită. Dacă eroarea înregistrată este mare, atunci ponderile sunt modificate cu ajutorul algoritmului de învăţare.

2.5 Algoritmi de învăţare specifici rețelelor neuronale

Optimizarea rețelelor neuronale se realizează folosind metode clasice precum: Newton, Leibnitz, Fermat etc., ale căror principii sunt folosite în dezvoltarea algoritmilor de învăța re de tip Newton, Levenberg – Marquardt, backpropagation, metoda gradientului, minimizarea erorii, Widrow-Hoff etc.

2.5.1 Algoritmul de minimizare a erorii

Algoritmul de învăţare prin minimizarea erorii pentru o reţea neuronală este folosit în cazul problemelor de clasificare liniară. Utilizatorul presupune că problema este liniar separabilă şi stabileşte numărul de epoci maxime pentru antrenare. În practică, nu există posibilitatea verificării ipotezei de liniar separabilă a problemei înainte de a efectua antrenarea reţelei. Rezultatul antrenării ne va confirma sau infirma ipoteza de liniar separabilă.

2.5.2 Algoritmul Widrow-Hoff

Algoritmul Widrow-Hoff, denumit în literatura de specialitate și regula delta, este un algoritm iterativ folosit pentru antrenarea rețelelor neuronale cu un singur strat, care presupune o minimizare a erorii pătratice globale folosind metoda gradientului. Deasemenea acest algoritm este specific rețelelor ADALINE.

2.5.3 Algoritmul backpropagation

Algoritmul backpropagation a fost dezvoltat pentru prima dată în anul 1985 de către Parker. Algoritmul poate fi încadrat în categoria algoritmilor supervizaţi şi poate fi aplicat cu succes atât pentru reţelele neuronale feedforward cu unul sau mai multe straturi dar şi pentru reţelele feedback. În literatura de specialitate, acest algoritm se mai întâlneşte şi sub denumirea de algoritm de propagare inversă deoarece informațiile pentru antrenare sunt procesate de la ieșire spre intrarea în rețea.

2.6 Avantajele utilizării rețelelor neuronale artificiale

Rețelele neuronale artificiale se deosebesc de sistemele tradiționale de calcul prin capacitatea de sinteză, de generalizare și de învățare.

Cele mai importante caracteristici pozitive ale RNA sunt: - problemele pot fi descrise și rezolvate în același interval de timp, prin autoorganizarea RNA și

nu prin utilizarea unui program; în prezent, s-au dezvoltat o serie de algoritmi de învățare care pot fi aplicați în unele cazuri cu succes, în altele fără șansă de reușită;

- își generează reguli proprii prin învățare bazată pe exemple;

16

- nu este nevoie de un programator care să implementeze un limbaj de programare, marea majoritate a problemelor complexe fiind rezolvate fără algoritmi secvențiali, bazându -se doar pe exemple de soluții;

- pot oferi răspunsuri corecte pentru intrări diferite de cele folosite pentru antrenare; - rețelele neuronale oferă posibilitatea de lucru cu date imprecise; - prezintă toleranță la erori, astfel funcționarea necorespunzătoare a unor neur oni din cadrul

RNA nu blochează întreg sistemul; - deteriorarea unor neuroni din rețea nu conduce la o deteriorare severă a performanţelor, ea

scade doar performanţa reţelei neuronale; - se pot adapta unui mediu aflat în permanență schimbare; - sunt ideale pentru aplicații desfășurate în timp real, pentru modelarea unor sisteme neliniare,

pentru aproximarea funcțiilor continue neliniare; - modelează foarte ușor sistemele cu multe variabile, datorită numărului foarte mare de intrări și

ieșiri al RNA; - o rețea neuronală bine instruită are ca beneficiu eliminarea experimentelor; - nu sunt costisitoare și lente în comparație cu multe alte programe de analiză structurală; - atingerea țintei poate fi realizată prin modificarea structurii interne a rețelei neuronale; - au putere de acomodare atunci când datele cunoscute deja nu sunt similare cu cele din cazuri

noi; - rețeaua descrie un potențial puternic de paralelism, neuronii putând funcționa simultan, într-un

număr mare.

2.7 Dezavantajele utilizării rețelelor neuronale artificiale

În ciuda caracteristicilor pozitive ale rețelelor neuronale, acestea prezintă și dezavantaje, precum: - pentru antrenarea rețelelor neuronale sunt necesare un număr foarte mare de date; - sunt întâmpinate dificultăți în alegerea datelor pentru algoritmul de învățare; - în funcție de algoritmul ales și de dimensiunea setului de date pentru antrenare, procesul de

învățare se poate desfășura pe o durată lungă de timp; - procesul de învățare are nevoie de mijloace de calcul foarte performante; - stabilirea unui număr suficient de date de intrare și ieșire, în funcție de tipul problemei, este o

operație complicată deoarece aceasta trebuie să cuprindă întregul domeniu de căutare a soluției;

- lipsa informațiilor teoretice care să stabilească tipul rețelei, numărul de neuroni dintr-un strat și modul de conectare al neuronilor;

- modificările ponderilor fiecărui neuron în parte nu pot fi explicate formal ca fiind satisfăcătoare.

17

CAPITOLUL 3

APLICAȚII ALE RNA ÎN DOMENIUL

INGINERIEI CIVILE

3.1 Domenii de aplicare a rețelelor neuronale artificiale

În domeniul Ingineriei Civile s-au făcut numeroase cercetări cu grade diferite de succes.Domeniile în care sunt folosite RNA sunt: proiectarea, optimizarea, identificarea sistemelor, diagnoza, prognoza sau estimarea, controlul, planificarea sau organizarea etc.

În țara noastră, domeniul Ingineriei Civile este un domeniu în care rezolvarea problemelor complexe cu ajutorul rețe lelor neuronale artificiale estepuţin dezvoltat.Problemele studiate de către cercetători cu ajutorul RNA pot fi împărțite în cinci mari categorii, figura.3.1

Fig. 3.1 - Categorii de probleme studiate cu RNA

3.2 Probleme de prognoză sau estimare

Descoperirea rețelelor neuronale artificiale au deschis noi oportunități în rezolvarea problemelor din domeniul Ingineriei Civile prin prognozarea sau estimarea soluțiilor.

Pe baza unor parametri determinați prin metode nedistruct ive s-au creat rețele neuronale care să prognozeze caracteristicile fizice și mecanice ale betonului, formule de calcul pentru materialele sau amestecurile de materiale cu o comportare neomogenă în structură și rețele neuronale care să estimeze avariile care pot apărea în elementele din beton armat, beton precomprimat, metal, zidărie, materiale compozite etc (tabel 3.1).

18

Tabel 3.1-Probleme de prognoză sau estimare rezolvate cu rețele neuronale artificiale

Autorii lucrării și anul publicației

Probleme de prognoză sau estimare

date intrare RNA date ieșire RNA

evaluarea caracteristicilor fizice și mecanice ale betonului

(Lorenzi A., Silva Filho L.C., Campagnolo J.L., 1997)

- vârsta betonului; - măsurători cu ultrasunete.

rezistența la compresiune a betonului (fc)

(Oztas A., Pala M., Ozbay E., 2006)

- valoarea tasării betonului de ultra înaltă performanță.

(Kim D.K., Lee J.J., Lee J.H., Chang S.K., 2005)

- amestecuri diferite din rețeta betonului.

(Hola J., Schabowicz K., 2005)

- vârsta betonului (zile); - densitatea betonului; - duritatea; - viteza undelor ultrasonice

longitudinale; - dimensiuni element (mm); - valoarea forței axiale (kN).

(Jain A., Jha S.K., Misra S., 2008)

- proprietățile componentelor betonului.

tasarea betonului

(Hola J., Schabowicz K., 2005)

- densitatea cimentului; - densitatea agregatului și a apei; - densitatea microsilicei; - densitatea plastifiantului; - forma și dimensiunea maximă a

agregatului; - raportul dintre apă și ciment.

rezistența la compresiune medie (fcm)

(Gonzalez B., Martinez I., Carro D., 2006)

- valori ale rezultatelor testului efectuat la tasare.

consistența betonului proaspăt turnat

(Gupta R., Kewalramani A., Goel A., 2006)

- dimensiunea agregatelor; - forma agregatelor; - proporții ale amestecului de beton; - condiții de mediu; - timpul de întărire al betonului.

duritatea betonului

(Jain A., Jha S.K., Misra S., 2008)

- proprietățile componentelor betonului.

tasarea betonului

(Morteza Tayyebinia, 2016)

- conținutul de ciment; - raportul apă/ciment; - cantitatea de liant; - raportul dintre A/C și nisip. rezistența la compresiune a

mortarului (Hamid Eskandari, 2016) - clasa cimentului; - procentul de clorură de sodiu; - raportul dintre apă și ciment; - raportul dintre apă și cimentul fin;

19




evaluarea caracteristicilor fizice și mecanice ale betonului

(Qiang Zhoua, 2016)

- raportul dintre înălțime și grosime; - rezistența mortarului; - rezistența la compresiune al

blocului de beton cu goluri.

rezistența la compresiune a zidăriei din blocuri de beton cu goluri

(Duan Z.H , Kou S.C., Poon C.S., 2013)

- caracteristici agregat: dimensiune maximă agregat, suprafața maximă saturată, absorb ția apei (%);

- caracteristici amestec: masa cimentului, raport A/C, raportul dintre agregate și ciment, procentul de agregat fin, masa de agregat reciclat substituit (%);

- caracteristici ciment: coeficient care ține cont de rezistența cimentului, coeficient care ține cont de viteza de hidratare a cimentului, impurități care poate apărea în agregat (%).

modulul de elasticitate al betonului cu agregate reciclate

evaluarea avariilor pentru elementele din beton armat sau precomprimat

(Hongping Z., Yozhou S., Jianxiang T., 2002)

- frecvențe proprii; - moduri de vibrație; - forme modale specifice structurii. locul de apariție al fisurii și

dimensiunea fisurii (Bakhary N., Hao H., Deeks A.J., 2007)

- valori proprii; - moduri proprii de vibrație.

(Panakkat A., Adeli H., 2007)

- indicatori seismici calculați matematic.

magnitudinea maximă înregistrată într-o zonă seismică într-un interval de timp predefinit

(Jeyasehar C.A., Sumangala K., 2006)

- frecvența proprie; - deformație; - lungimea fisurii; - valoarea încărcării la momentul

apariției primei fisuri; - valoarea încărcării ultime.

gradul de avariere al unei grinzi din beton precomprimat

(Gunaydin K., Gunaydin A., 2008)

- valoarea momentului din acțiunea seismică;

- distanța la epicentru; - adâncimea focală; - condițiile de teren (9 5 de

înregistrări de la 15 mișcări seismice care au avut loc în perioada 1999-2001).

valoarea maximă a accelerației solului pe direcțiile E -V, N-S și pe verticală

(Calabrese A., Lai C.G., 2013)

- parametri seismici; - parametri geologici.

trasarea curbelor de fragilitate pentru a stabili vulnerabilitatea unei structuri

20





(Hai Xia Wang, Jin Xin Niu, Jiang Feng Wu, 2011)

- magnitudinea seismului; - distanța epicentrală; - intensitatea în epicentru; - accelerația cutremurului; - previziuni cu privire la seism (0 – 0

prognoză, 1- seism prognozat); - locul producerii dezastrelor.

numărul de victime omenești

(Pawar P.M., Reddy K. V., Ganguli R., 2007)

- coeficienții Fourier specifici modurilor de vibrație.

locul și dimen siunea avariei unei grinzi din beton

( Hadzima-Nyarko M., Nyarko E.M., Moric D., 2011)

- accelerația gravitațională maximă (20 seisme);

- valoarea amortizării; - rigiditatea post-elastică; - rigiditatea elastică; - valoarea forței tăietoare la baza

construcției.

gradul de distrugere al unei construcții după un seism

(Richard de Lautour O., Omenzetterb P., 2008)

- numărul de etaje; - lățime travee; - numărul de travee; - înălțimea etajelor; - înălțimea grinzii și a stâlpului

pentru fiecare etaj; - raport procent armare grinzi și

stâlpi; - rezistența betonului; - amortizarea, PGA, PGV, PGD, SI; - frecvența proprie;

gradul de deteriorare al structurilor în caz de cutremur

- D<0,11 – nu este degradată sau prezintă fisuri minore;

- 0,11≤D<0,4 - degradări remediabile;

- 0,4≤D<0,77 - degradări ce nu mai pot fi remediate;

- D≥0,77 – colaps.

(Kabir S., Rivard P., Ballivy G., 2008)

- trei imagini cu suprafețe deteriorate: nuanţe de gri, color şi imagini obținute prin termografiere;

- tehnică de procesare pentru semnalul wavelet.

gradul de deteriorare al betonului (rezultatele au arătat că termografierea oferă cea mai bună clasificare decât celelalte tipuri de imagini folosite)


(Reyes J., Morales-Esteban A., Martínez-Álvarez F., 2013)

- valoarea de prag; - parametri corespunzători legii

Bath; - parametri corespunzători legii

Omori-Utsu.

două prognozări: - un seism cu magnitudine mai

mare decât valoarea de prag - un seism cu magnitudinea în

intervalul limitat în următoarele cinci zile

(Nikos D. Lagaros, Manolis Papadrakakis, 2012)

- acțiunile date de seism. deformatele și forțele pentru un sistem cu mai multe grade de

libertate

21




evaluarea avariilor pentru elementele din zidărie

( Pandyaa D., Shaha D., 2014)

- grosimea elementului; - direcția de aplicare a forței; - lungimea inițială a elementului; - lățimea inițială a elementului; - rezistența la tracțiune a

elementului; - limita de curgere.

lungimea și lățimea finală a elementului supus la tracțiune uniaxială

(Möller B., Liebscher M., Schweizerhof K., Mattern S., Blankenhorn G., 2008)

- aproximarea răspunsurilor structurale;

- parametrii de intrare sunt specificaţi pe baza informaţiilor vage, rare şi imprecise.

prognozare colaps

(Vagelis P., Panagiotis G. A., 2014)

- tensiunile principale; - raportul dintre tensiunile principale

şi rezistenţa la compresiune a zidăriei;

- direcţia tensiunilor; - unghiul de orientare.

valoarea razei (pătratul razei este egal cu suma pătratelor celor două tensiuni principale)

( Kalman Šipoš T., Sigmund V., Hadzima-Nyarko M., 2013)

- raport înălţime-lungime; - raport module de elasticitate; - raport grosime cadru-zidărie; - raport procent armare grindă și

stâlp; - rezistența la compresiune pentru

beton, oţel şi zidărie; - modul de elasticitate pentru beton

şi zidărie; - grosimea zidăriei; - înălţimea totală; - suma forţelor verticale.

- valoarea forţei tăietoare; - valoarea forței tăietoare

ultime; - modul de cedare.

evaluarea avariilor pentru compozite

(Samanta S., Mandal A., Thingujam Singh J., 2014)

- rezultatele evaluării nedistructive cu ultrasunete a materialului compozit, evaluare realizată pentru a identifica defectele care apar în material.

o imagine clară a impactului daunelor în compozit (localizarea fisurilor și orientarea lor trebuie să se potrivească pe cea a eșantionului)

( Lingaraju D., Ramji K., Mohan Rao N.B.R., Rajya lakshmi U., 2011)

- duritatea, coeficient de amortizare;

- coeficient de degradare; - valoarea rezultată în urma

impactului sub prezența apei; - caracteristici ale silicei sau

argilei.

proprietăți ale nanocompozitelor hibride, înainte de fabricație

22

3.3 Probleme de proiectare

Pentru rezolvarea problemelor de proiectare, inginerii utilizează software de analiză structurală complexe care sunt costisitoare, programe care necesită o parte de hardware foarte puternice și care necesită un timp foarte mare pentru calculul analizei în scopul obținerii unor soluții optime.

În tabelul 3.2 sunt prezentate câteva probleme de proiectare realizate cu rețele neuronale artificiale.

Tabel 3.2- Probleme de proiectare rezolvate cu rețele neuronale artificiale


Probleme de proiectare

date intrare RNA Date ieșire RNA

proiectarea elementelor din beton

(Erdem, 2015) - lățimea grinzii; - înălțimea grinzii; - raportul dintre lățime și înălțime; - timpul expunerii grinzii la

incendiul; - aria armăturii; - rezistența la compresiune a

betonului; - distanța de la marginea inferioară a

grinzii până la armătură.

momentul capabil al grinzilor din beton armat supuse unor temperaturi ridicate în incendiu

(Abdalla J.A., Elsanosi A., Abdelwahab A., 2007)

- valoarea raportului dintre lungimea și înălțimea grinzii;

- valoarea rezistenței betonului; - lățimea grinzii; - procent armare pe direcția

longitudinală și transversală; - lățimea grinzii.

rezistența la forță tăietoare specifică grinzilor rectangulare realizate beton armat

( Jørgensen C., Grastveit R., Garzón-Roca J., Payá-Zaforteza I., Adam J., 2013)

- geometria stâlpului; - dimensiunile carcasei din oțel; - rezistența la compresiune a

betonului; - valoarea forței axiale; - rezistența la întindere a betonului; - sunt 4 variante de RNA, ele

diferențiindu-se prin modul de prindere: fără capitel, cu capitel, cu capitel și ancore chimice și folosind bare din oțel.

diagramele de efort axial și moment încovoietor

(Caglar N., Elmas M., Zaman Y.D., Saribiyik M., 2008)

- accelerația maximă; - momentul de inerție pe cele două

direcții; numărul nivelurilor; - înălțime nivel, înălțime parter; - deschiderea maximă a traveei pe

cele două direcții; - dimensiunile în plan a clădirii

perioada fundamentală, deplasarea maximă pe cele 2 direcții la ultimul nivel, valoarea forței tăietoare și a momentului încovoietor la baza structurii

23



date intrare RNA Date ieșire RNA

proiectarea elementelor din beton

(Pandya D., Shah D., 2014)

- modul de elasticitate; - rezistență la rupere; - variația secțiunii pe lungime sau

lățime; - coeficientul lui Poisson; - limita de curgere; - tensiunea maximă.

deplasare, tensiune, deformație

(Mohd. Saqib, 2017) - raportul dintre înălțimea și lățimea unui baraj din beton;

- panta în aval și în amonte; - înălțimea primei pante în amonte; - înălțimea barajului; - PGA, intensitatea; - factor privind potențialul de

distrugeri; - accelerația spectrală maximă; - accelerația spectrală la prima

perioadă proprie de vibrație.

tensiunile dintr-un baraj din beton supus acțiunii seismice

(N. Madhubabu, 2016) - porozitatea, densitatea; - coeficientul lui Poisson; - viteza undei;

rezistența la compresiune uniaxială și modulul de elasticitate al rocilor

proiectarea elementelor din metal

(Pu Y., Mesbahi E., 2006) - lățimea panoului, grosimea panoului;

- tensiunea reziduală; - tensiunea de curgere; - deformația inițială a panoului din

cauza sudurii.

rezistența ultimă a panourilor metalice, nerigidizate, supuse la compresiune uniaxială

(Abbassi F., Belhadj T., Mistou S., Zghal A., 2013)

- abaterea standard; fracțiunea volumetrică de goluri;

- fracțiunea volumetrică de microgoluri; fracțiunea volumetrică critică; deformare plastică.

identificarea parametrilor de distrugere care pot apărea pe parcursul procesului de fabricație a foii de metal

proiectarea elementelor din zidărie

( Garzón-Roca J., Adam J.M., Sandoval C., Roca P., 2013)

- raportul dintre excentricitatea de aplicare a încărcării și grosimea peretelui de zidărie;

- raportul dintre rezistența la întindere a zidăriei și rezistența la compresiune a zidăriei;

- coeficient privind modulul de elasticitate al zidăriei; rezistența la compresiune a zidăriei;

factorul de reducere al încărcării

( formulă de calcul)

24



date intrare RNA Date ieșire RNA - înălțimea și grosimea peretelui.

proiectare structuri compozite

( Garzon-Roca J., Creu Obrer M., Jose M. Adam, 2012)

- rezistenţa la compresiune a mortarului;

- rezistenţa la compresiune a cărămizii.

rezistenţa la compresiune a zidăriei (formulă de calcul)

( Mansouri I., Kisi O., 2015)

- lăţime FRP, grosime FRP; - lungime adeziv, lăţime cărămidă; - modulul de elasticitate FRP; - rezistenţa blocului de zidărie.

forța axială maximă

(Ali Behnood, 2015) - rezistența la compresiune a betonului armat cu fibre și oțel.

rezistența la întindere prin despicare

3.4 Probleme de diagnosticare

Ideea de diagnosticare cu ajutorul rețelelor neuronale a fost abordată în Ingineria Civilă inspirându-se din succesul obținut în stabilirea unor diagnostice în domeniul medical, tabelul 3.3.

Tabel 3.3 - Probleme de diagnosticare studiate cu rețele neuronale artificiale


Probleme de diagnosticare

date de intrare RNA date de ieșire RNA

studiul pământurilor

(Anzy Leea, 2015) - numărul de valuri, adâncimea apei; - unghiul de înclinare; - perioada proprie, forma spectrală.

stabilitatea la seism a țărmurilor terasate cu pietre

(Zanetti S.S., Cecílio R.A., Alves E.G., Heringer Silva V., Sousa E.F., 2014)

- imagini cu probe de pământ, segmentate în trei regiuni de culoare;

- aria regiunii de culoare roșie; - aria regiunii de culoare verde; - aria regiunii de culoare albastru.

umiditatea pământului

(Basma A.A., 2004) - greutatea volumetrică în stare uscată; - umiditatea inițială; - presiunea de umflare la o anumită

umiditate; - coeficientul de uniformitate; - procent de nisip, procent de argilă.

potențial de cedare (%) al terenului de fundare

(Kawabata D., Bandibas J., 2009),

(Chauhan S., Sharma M., Arora M.K., Gupta N.K., 2010)

- imagini cu alunecări de teren; - imagini obținute din satelit care au în

vedere panta terenului, aspectul acestuia și altitudinea;

- imagini GIS.

o hartă care ne specifică dacă au loc sau nu alunecări de teren.

(Boxin Wang, 2015) - raportul dintre apă și ciment; - aria transversală a secțiunii probelor;

modul de comportare al betonului pretensionat

25

3.5 Probleme de urmărire în timp

Rețelele neuronale artificiale sunt ideale pentru rezolvarea problemelor de urmărire în timp deoarece folosesc date strânse în timp real și au abilitatea de a aproxima funcții, tabelul 3.4.

Tabel 3.4 -Probleme de urmărire în timp rezolvate cu rețele neuronale


Probleme de urmărire în timp


elemente structurale

(Tosun M., Dincer K., 2011)

- coeficient global de transfer termic - temperatura exterioară - temperatura exterioară la suprafaţa

elementului - rezistenţa termică unidirecţională - coeficient transfer termic

grosimea stratului de izolare (di)

(Lee J., Kim S., 2007) - răspunsuri dinamice ale structurii; - RNA este un clasificator de

modele. avarii specifice podurilor

(Mehrjoo M., Khajia N., Moharramia H., Bahreininejad A., 2008)

- caracteristici modale ale structurii; avarii la îmbinările unui pod cu zăbrele

(Pawar P.M., Reddy K.V., Ganguli R., 2007)

- coeficienții Fourier specifici modurilor de vibrație

locul și dimensiunea fisurii unei grinzi

(Lee J.J., Lee J.J., Yi J.H., Yun C.B., Jung H.Y., 2005)

- valoarea raporturilor dintre modur.i de vibrație înregistrate înainte și după avarie

avaria unui pod cu zăbrele, simplu rezemat

(Zapico J.L., Gonzalez M.P., 2006)

- 4 frecvențe proprii; - 450 de seturi de date. rigiditățile inițiale și finale

(Xu B., Wu Z., Chen G., Yokoyama K., 2004)

- deplasări la momentul k; - viteze la momentul k; - răspuns structural sub acțiuni

dinamice la momentul k; - cadru cu 5 niveluri.

deplasări și viteze la momentul k+1, răspunsul structural sub acțiuni dinamice la momentul k+1

(Xu B., Wu Z., Chen G., Yokoyama K., 2004)

- un vector care conține diferențe pătratice dintre deplasări și viteze, pentru fiecare nivel

coeficientul de rigiditate și de amortizare pentru fiecare nivel

(Kalogirou S.A., Eftekhari - temperatura locală exterioară; circulația aerului (cameră

- cantitatea de ciment, timpul de întărire.

26


Probleme de urmărire în timp

date de intrare RNA date de ieșire RNA M.M., Pinnock D.J., 2001) - umiditatea relativă;

- viteza și direcția vântului. de test)

3.6 Probleme de optimizare

Rezolvarea problemele de optimizare cu ajutorul RNA presupune stabilirea unor valori care să satisfacă anumite restricții și care să permită o optimizare o funcție obiectiv, tabelul 3.5.

Tabel 3.5-Probleme de optimizare rezolvate cu rețele neuronale


Probleme de optimizare


elemente structurale

(Konstantinos Morfidis, 2017)

- rezultatele din analiza time- history; - caracteristicele dinamice structurale

înregistrate pentru 14 seisme;

starea daunelor clădirilor aflate sub acțiune seismică

(Hossein Mirzaaghabeik, 2016)

- deplasarea cadrului confecționat din oțel și valoarea forței seismice.

optimizarea conexiunilor unui sistem contravântuit

( Bahreininejad A., Topping B. H. V., Khan A. I. , 1996)

- lungimile laturilor elementului finit; - unghiurile interne formate de laturile

elementului finit; - numărul de subdomenii; - numărul elementelor finite folosit

pentru fiecare subdomeniu; - numărul elementelor finite necesar

pentru fiecare subdomeniu; - diferența dintre numărul existent și cel

necesar de elemente finite; - numărul de noduri.

partiționarea unui element

structural în elemente finite

(Czarnecki, 2017) - coeficientul de aderență și rigiditate; - frecvența undei de sunet; - înălțimea determinată pentru 10

puncte de pe suprafață; - înălțimea punctului din centrul

suprafeței;

grosimea stratului de reparație

27

CAPITOLUL 4 PRE

LUCRAREA IMAGINILOR CU RNA

4.1 Noțiuni introductive privind prelucrarea de imagini

Imaginea este o funcţie definită pe un domeniu spaţial, care are o mulţime finită de valori numerice, valori cu care se poate alcătui o matrice.Constantin Vertan (2000, 2001) consideră imaginile ca fiind abstracte (funcţii matematice de două variabile, continue sau discrete), non-vizibile (nepercepute direct de ochiul uman şi care presupun o sumare de câmpuri bidimensionale de parametri precum temperatura, presiunea, densitatea etc.) şi vizibile (percepute direct de ochiul uman şi generate sub forma unor distribuţii de intensitate luminoasă).

O imagine poate fi reprezentată sub forma unei matrici Mmxn, fiecare element din matrice conţinând informaţii de culoare pentru un pixel, figura 4.1 (Pandelea A.E. ș.a, 2015).

Fig. 4.1- Imagine scalară indexată (Pandelea A.E.ș.a., 2015)

Matricea poate fi utilizată în crearea unei reţele neuronale care are ca obiectiv identificarea imaginilor sau clasificarea acestora. Fiecare neuron de intrare reprezintă o informaţie de culoare din imagine iar fiecare neuron de ieşire corespunde unei imagini. Toate imaginile vor fi scalate la aceeaşi dimensiune (lăţime şi înălţime) pentru a fi uşor şi rapid de învăţat.

28

Pe baza dimensiunilor imaginilor se stabilesc dimensiunea vectorului de intrare şi numărul neuronilor de intrare. Funcţia de transfer pentru acest tip de problemă poartă denumirea de funcţie sigmoidală. Rata de învăţare ia valori în intervalul [0,1] iar eroarea se recomandă să aibă valoare mai mică de 0.1.

4.2 Etapele de prelucrare a imaginilor cu RNA

În ultimii ani, RNA s-au dovedit a fi puternice în soluționarea problemelor în care tehnicile tradiționale sunt inadecvate. Rețelele pot fi utilizate în recunoașterea modelelor (clasificare, clustering, selecția caracteristicilor), în segmentarea și comprimarea unor imagini, în reprezentarea unor culori și în diverse aspecte privind procesarea imaginii.

Datele de intrare și de ieșire al RNA pot fi imagini (pixeli), măsurători în imagini (caracteristici), decizii luate în etapele anterioare ale procesului (etichete) sau grafice, atâta timp cât acestea pot fi codificate numeric.

Etapele parcurse pentru prelucrarea imaginilor cu ajutorul rețelelor neuronale sunt prezentate în fig. 4.2.

Fig. 4.2 - Etapele de prelucrare a imaginilor cu RNA (Vertan C., 1999)

4.3 Aplicații ale rețelelor neuronale cu prelucrare de imagini

4.3.1 Probleme rezolvate cu RNA în domeniul inspecţiei industriale

În prezent, prelucrarea de imagini cu rețele neuronale este utilizată pentru efectuareacontrolului calităţii detectând produsele defecte din producţia de oţel, textile, fructe, legume, plante sau produse alimentare. 4.3.2 Probleme rezolvate cu RNA în domeniul medical

Prelucrarea lentă a filmelor, imposibilitatea modificării imaginii, limitarea în ceea ce priveşte expunerea la raze X, diagnosticarea greşită (34%) prin analiza imaginilor scanate datorită unor anomalii (zgomot alb) în ecografii, în imagini RMN, CT, US, artefacte, au fost motivele pentru care s-au făcut studii pentru soluţionarea acestor probleme. Astfel, problema a fost rezolvată în procent de

29

98%, prin implementarea unui algoritm de segmentare a imaginii cu wavelets filtres şi RNA care detectează în timp real diagnosticul.

4.3.3 Probleme rezolvate cu RNA în domeniul apărării

Aplicațiile practice cu RNA din domeniul apărăriisunt identificarea automată a țintei (Steven K. Rogers, 1995), crearea unor sisteme inteligente de navigaţie, de orientare, de recunoaştere, etc.

4.3.4 Probleme rezolvate cu RNA în domeniul automaticii

Rețelele neuronale au aplicabilitate mare în domeniul automaticii, fiind utilizate pentru procesarea documentelor (prelucrarea automată a formularelor, sortarea e-mailuri, posibilitatea lecturării unui text scris de mână etc.) sau pentru identificare şi autentificare (recunoaşterea numărului de înmatriculare, pentru analiza amprentelor digitale în scopul identificării feţelor etc.).

4.3.5 Probleme rezolvate cu RNA în domeniul mecanicii

Prelucrarea de imagini cu rețele neuronale în domeniul mecanicii este situată printre domeniile ma i puțin exploatate din acest punct de vedere.În anul 2015, Amin Taheri-Garavand concepe un sistem inteligent care folosindu-se de imaginile termice în infraroşu stabilește o diagnoză pentru radiatoarele de răcire.

4.3.6 Probleme rezolvate cu RNA în domeniul transporturilor

W.P.J. Mackeown ș.a. (1994) propun o metodă de recunoaștere a drumurilor rurale și urbane din imagini color prin antrenarea unei rețele care să clasifice obiectele din imagine. Performanța rețelei constă în recunoașterea a 70% din regiuni și la 90% din aria imaginii.

4.3.7 Probleme rezolvate cu RNA în domeniul ingineriei

Ingineria Geotehnică este un domeniu în care prelucrarea imaginilor cu RNA sunt aplicate cu succes.

Bazându-se pe faptul că pământul îşi schimbă culoarea în funcţie de cantitatea de apă, RNA au fost utilizate pentru a estima umiditatea pamânturilor (Sidney Sara Zanetti, 2014).

Plecând de la ideea de clasificare a imaginilor din satelit, de recunoaştere a formelor şi a texturii pământurilor s-a folosit cu succes reţelele neuronale artificiale pentru clasificarea zonelor predispuse la alunecări de teren (Bandibas și Kohyama, 2001). Deasemenea, s-a creat o reţea care să genereze hărţi privind susceptibilitatea pământurilor la alunecările de teren (Daisaku Kawabata şiJoel Bandibas, 2015).

O ramură a Ingineriei Civile a folosit Inteligenţa Artificială pentru rezolvarea problemelor de identificare a fisurilorla materiale compozite. Materialele compozitele sunt tot mai folosite în industria aerospaţială, navală şi cea a autoturismelor datorită creşterii rezistenţei şi a rigidităţii în raport cu greutatea. Materiale compozite se pot degrada în prezența fisurilor.În anul 2014, Samanta S.

http://www.sciencedirect.com/science/article/pii/089360809500050X�



30

propune folosirea reţelelor neuronale pentru clasificarea imaginilor obţinute prin scanare. Aceste imagini cuprind caracteristici ale ultrasunetelor.

31

CAPITOLUL 5 IDE

NTIFICAREA STĂRII DE EFORTURI ȘI

A CARACTERISTICILOR MECANICE

PE BAZA IMAGINII UNEI SECȚIUNI

5.1 Introducere

Majoritatea programele de analiză structurală cu anumite tipuri de elemente finite sunt concepute pentru determinarea stării de tensiuni și deformații specifice.

În proiectarea structurilor de construcții cunoașterea tensiunilor este insuficientă fiind necesară integrarea acestora pe secțiunile caracteristice în vederea obținerii eforturilor care sunt necesare verificărilor specifice domeniului Inginerie Civilă.

Intervenția în partea software a acestor programe pentru operațiunea de integrare este uneori foarte dificilă, necesitând cunoștințe de programare în anumite limbaje.

Mai mult, ipoteza de calcul privind integrarea tensiunilor normale sau tangenţiale pe o anumită suprafață, care stă la baza acestor programe de analiză cu element finit, constă în aproximarea suprafețelor cu elemente liniare. Această aproximare conduce la valori numerice aproximative ale eforturilor dintr-o secţiune.

Din necesitatea cunoașterii stării de eforturi în orice secțiune dintr-un element structural, s-a conceput unsoft care are la bază prelucrarea unei imagini cu ajutorul rețelelor neuronale artificiale numit ISANNIF.

5.2 Prezentarea generală a programului ISANNIF

Numele programului ISANNIF reprezintă un acronim ce provine de la Inteligent System Artificial Neural Network Internal Forces.

Programul permite determinarea stării de eforturi în orice secțiune dintr -un element structural pe baza hărților de tensiuni furnizate de programele de analiză cu element finit, fără nici un fel de restricție. Mai mult programul furnizează starea de eforturi (momente) față de orice axă impusă pe secțiune și oferă posibilitatea de limitare a tensiunilor de întindere pâna la o anumită valoare declarată de utilizator.

Soft-uleste realizat în mediu de programare Matlabși are la bază prelucrarea unei imagini în formatele .png, .jpg, .bmp, și .jpeg, cu ajutorul rețelelor neuronale artificiale (Pandelea A.E ș.a, 2017).

Programul ISANNIF folosește pentru prelucrarea imaginilor o rețea neuronală artificială de tip feedforward, cu trei straturi, care nu prezintă feedback și nu este recurentă.

32

Intrarea rețelei neuronale constă într-o matrice RGB, formată din 3 linii și n coloane, 𝑀𝑀3×𝑛𝑛 , unde n este cuprins în intervalul [2,18] și reprezintă numărul de culori întâlnit pe imagine.

Ieșirea rețelei neuronale este o matrice formată dintr-o linie și m coloane, 𝑀𝑀1×𝑚𝑚 , unde m reprezintă numărul valorilor numerice ale tensiunilor asociate culorilor din matricea𝑀𝑀3×𝑛𝑛 . Numărul valorilor numerice specifice tensiunilor este cu 1 mai mare decât numărul de culori, deoarece fiecărei culori i se atribuie atât valoarea maximă, cât și cea minimă a tensiunilor.

Succesiunea etapelor de lucru poate fi prezentată cu ajutorul unei scheme logice, figura 5.1.

Fig. 5.1 -Schema logică a programului ISANNIF(Pandelea A.E ș.a., 2017)

5.3 Interfața grafică a programului ISANNIF.

Interfața grafică a programului ISANNIF, figura 5.2, este construită din mai multe obiecte, dintre care enumerăm:

- 4 obiecte de tip Push Button, 1 obiect de tip Axes; - (4÷24) obiecte de tip Edit Text; - (6÷19) obiecte de tip Static Text; - 5 obiecte de tip Panels; - 4 obiecte de tip Check Box.

33

Fig. 5.2- Interfața programului ISANNIF(Pandelea A.E. ș.a., 2017)

5.4 Etapa de calcul a programului ISANNIF

Programul Matlab deține multe funcții cu extensia .m, care implementează algoritmi necesari pentru prelucrarea imaginilor.

Coordonatele centrului de greutate(𝑋𝑋𝑂𝑂𝑂𝑂,𝑌𝑌𝑂𝑂𝑂𝑂) sunt calculate ca media aritmetică a coordonatelor x şi y specifice tuturor pixelilor din aria secțiunii. În cadrul programului ISANNIF s-a folosit același principiu de determinare al centrului de greutate pentru o imagine. Sistemul X*O*Y* este sistemul specific afișării imaginii.

Formulele de calcul specifice momentelor de inerție (Ix, Iy) pentru o secțiune omogenă sunt preluate din Mecanica Teoretică. Acestea sunt adaptate în cadrul programul ISANNIF deoarece toate dimensiunile sunt exprimate în pixeli. Aria secțiunii reprezintă produsul dintre aria unui pixel exprimată în metri și numărul tuturor pixelilor din care este formată imaginea.

Momentul de inerție centrifugal (Ixy) se calculează ca suma produselor dintre 4 termeni specifici elementelor de arie: diferențele pe ambele direcții dintre poziția centrului de greutate al pixelului n și cea a secțiunii și aria pixelului exprimată în metri, pe direcția x și y.

Atât momentele principale de inerție (𝐼𝐼1, 𝐼𝐼2) cât și direcțiile principale(α) ale acestora sunt determinate în cadrul programului ISANNIF cu formulele de calcul din literatura de specialitate.

34

Formulele de calcul ale forței axiale(N), forțelor tăietoare (Vx, Vy) și ale momentelor încovoietoare (Mx, My), utilizate în cadrul programului ISANNIF, sunt evidențiate sub forma:

𝑁𝑁 = ∑ 𝜎𝜎𝑚𝑚𝑚𝑚𝑚𝑚𝑖𝑖𝑚𝑚 𝑛𝑛𝑛𝑛𝑛𝑛𝑚𝑚 ,𝑖𝑖𝑘𝑘𝑘𝑘

𝑖𝑖=1 × 𝑛𝑛𝑟𝑟𝑟𝑟𝑖𝑖𝑛𝑛(1) × 𝑛𝑛𝑟𝑟𝑟𝑟𝑖𝑖𝑛𝑛(2) (5.1)

𝑀𝑀𝑥𝑥 = ∑ (𝑦𝑦𝑂𝑂𝑛𝑛 − 𝑦𝑦𝑂𝑂) × 𝜎𝜎𝑚𝑚𝑚𝑚𝑚𝑚 𝑖𝑖𝑚𝑚 𝑛𝑛𝑛𝑛𝑛𝑛𝑚𝑚 ,𝑖𝑖𝑘𝑘𝑘𝑘

𝑛𝑛=1 × 𝑛𝑛𝑟𝑟𝑟𝑟𝑖𝑖𝑛𝑛(1) × 𝑛𝑛𝑟𝑟𝑟𝑟𝑖𝑖𝑛𝑛(2) (5.2)

𝑀𝑀𝑦𝑦 = ∑ (𝑥𝑥𝑂𝑂𝑛𝑛 − 𝑥𝑥𝑂𝑂) × 𝜎𝜎𝑚𝑚𝑚𝑚𝑚𝑚𝑖𝑖𝑚𝑚 𝑛𝑛𝑛𝑛𝑛𝑛𝑚𝑚 ,𝑖𝑖𝑘𝑘𝑘𝑘

𝑛𝑛=1 × 𝑛𝑛𝑟𝑟𝑟𝑟𝑖𝑖𝑛𝑛(1) × 𝑛𝑛𝑟𝑟𝑟𝑟𝑖𝑖𝑛𝑛(2) (5.3)

𝑉𝑉𝑥𝑥 = ∑ 𝜎𝜎𝑚𝑚𝑚𝑚𝑚𝑚𝑖𝑖𝑚𝑚 𝑟𝑟𝑟𝑟𝑛𝑛𝑡𝑡 ,𝑖𝑖𝑘𝑘𝑘𝑘


𝑉𝑉𝑦𝑦 = ∑ 𝜎𝜎𝑚𝑚𝑚𝑚𝑚𝑚𝑖𝑖𝑚𝑚 𝑟𝑟𝑟𝑟𝑛𝑛𝑡𝑡 ,𝑖𝑖𝑘𝑘𝑘𝑘


unde: 𝜎𝜎𝑚𝑚𝑚𝑚𝑚𝑚𝑖𝑖𝑚𝑚 𝑛𝑛𝑛𝑛𝑛𝑛𝑚𝑚 ,𝑖𝑖𝑘𝑘 = tensiunea normală medie specifică pixelului k;

𝜎𝜎𝑚𝑚𝑚𝑚𝑚𝑚𝑖𝑖𝑚𝑚 𝑟𝑟𝑟𝑟𝑛𝑛𝑡𝑡 ,𝑖𝑖𝑘𝑘 = tensiunea tangențială medie specifică pixelului k;

ratio(1) = lățimea unui pixel, în metri;

ratio(2) = înălțimea unui pixel, în metri;

Pentru a realiza calculul momentelor încovoietoare după un sistem particular(M'x, M'y) este necesară definirea poziției sistemului de axe 𝑋𝑋 ,𝑂𝑂,𝑌𝑌, în raport cu sistemul de axe 𝑋𝑋𝑂𝑂𝑂𝑂𝑌𝑌𝑂𝑂și a rotirii sistemului 𝑋𝑋 ,𝑂𝑂,𝑌𝑌,. Formulele de calcul sunt exprimate cu ajutorul următoarelor relații:

𝑀𝑀𝑥𝑥, = ∑ 𝑦𝑦 , × 𝜎𝜎𝑚𝑚𝑚𝑚𝑚𝑚𝑖𝑖𝑚𝑚 𝑛𝑛𝑛𝑛𝑛𝑛𝑚𝑚 ,𝑖𝑖

𝑘𝑘𝑘𝑘𝑛𝑛=1 × 𝑛𝑛𝑟𝑟𝑟𝑟𝑖𝑖𝑛𝑛(1) × 𝑛𝑛𝑟𝑟𝑟𝑟𝑖𝑖𝑛𝑛(2) (5.6)

𝑀𝑀𝑦𝑦, = ∑ 𝑥𝑥 , × 𝜎𝜎𝑚𝑚𝑚𝑚𝑚𝑚𝑖𝑖𝑚𝑚 𝑛𝑛𝑛𝑛𝑛𝑛𝑚𝑚 ,𝑖𝑖

𝑘𝑘𝑘𝑘𝑛𝑛=1 × 𝑛𝑛𝑟𝑟𝑟𝑟𝑖𝑖𝑛𝑛(1) × 𝑛𝑛𝑟𝑟𝑟𝑟𝑖𝑖𝑛𝑛(2) (5.7)

Distanțele𝑥𝑥 , și 𝑦𝑦 ,sunt calculate cu ajutorul relațiilor:

𝑥𝑥 , = 𝑐𝑐𝑛𝑛𝑐𝑐𝑐𝑐 ∙ 𝑥𝑥 − 𝑐𝑐𝑖𝑖𝑛𝑛𝑐𝑐 ∙ 𝑦𝑦 (5.8)

𝑦𝑦 , = 𝑐𝑐𝑖𝑖𝑛𝑛𝑐𝑐 ∙ 𝑥𝑥 + 𝑐𝑐𝑛𝑛𝑐𝑐𝑐𝑐 ∙ 𝑦𝑦 (5.9)

unde: x = poziția sistemului particular în raport cu sistemul de axe 𝑋𝑋𝑂𝑂𝑂𝑂𝑌𝑌𝑂𝑂 pe direcția x; y = poziția sistemului particular în raport cu sistemul de axe 𝑋𝑋𝑂𝑂𝑂𝑂𝑌𝑌𝑂𝑂 pe direcția y; 𝑐𝑐 = unghiul de înclinare al sistemului particular de axe; 𝑥𝑥 , = distanța pe direcția x a unui pixel, în sistemul particular; 𝑦𝑦 , = distanța pe direcția y a unui pixel, în sistemul particular; i = culoarea asociată unui pixel, situată în intervalul [2,18];

Pentru stabilirea stării de eforturi în ipoteza limitării tensiunilor de întindere este necesară definirea de către utilizator a valorii limite specifice tensiunii de întindere.

35

5.5 Verificări efectuate în cadrul programului ISANNIF

Înainte de a fi definită rețeaua neuronală artificială se fac o serie de verificări precum: dacă există deja o imagine încărcată, dacă harta de culori este definită, dacă imaginea tensiunilor poate fi citită etc.

Dacă pe parcursul simularii rețelei neuronale programul identifică o eroare, mesajul af ișat în fereastra principală este: ,, Numărul neuronilor sau harta de culori trebuie ajustată”. Pentru a corecta această eroare se recomandă modificarea numărului de neuroni sau se reintroduce harta de culori.

5.6 Rezultatele generate de programul ISANNIF

Rezultatele afișate în fereastra principală a programului ISANNIF pot fi salvate în format .rtf, după cum se poate observa în modelul urrmător:

Rezultate ISANNIF

• Poziția centrului de greutate: XoG = ... m YoG = ... m

• Momentele de inerție axiale: Ix = ... m4

Iy = ... m4 • Momentul de inerție centrifugal:

Ixy = ... m4 • Direcțiile principale:

𝛼𝛼 = ...° • Momentele principale de inerție:

I1 = ... m4

I2 = ... m4 • Forța axială, momentele încovoietoare:

Nz = ... kN Mx = ... kNm My = ... kNm

• Caracteristicile sistemului de axe dat : β = ... ° x0 = ... m y0 = ... m

• Momentele încovoietoare dupa un sistem de axe dat : M'x = ... kNm M'y = ... kNm

• Forța tăietoare: V = ... kN

36

5.7 Studiu de caz

5.7.1 Descrierea modelului analizat

În cazul pereților groși din zidărie modelarea cu elemente de tip shell nu reprezintă o soluție potrivită, mai exactă fiindmodelarea cu elemente 3D de tip solid. Însă, programele de calculexistente permit integrareatensiunilorpentrudeterminareaeforturilor doar în cazuluneimodelari cu elemente de tip shell.

În această situație se arată imperativ necesară o metodă de evaluare a stării de eforturi din pereț i din modele cu elemente 3D de tip solid.Fără nici o restricție, programulISANNIFpermitedeterminareastării de eforturiînoricesecțiunedintr -un element structural cu ajutorul hărților de tensiunifurnizate de programele cu element finit. De asemenea, programul permite determinarea stării de eforturi dintr-o secțiune în ipoteza limitării tensiunilor de întindere.

Se propune determinarea stării de eforturi prin integrarea tensiunilor dintr-un șpalet de zidărie modelat cu elemente de tip 3d, supus la o acțiune orizontală și una verticală , cu programul ISANNIF (Budescu M., 2017).Pentru analize comparative s-a efectuat ș i un calcul cu elemente de tip shell.Analiza modelului cu elemente de tip solid s-a realizat cu programul de modelare avansată cu elemente finite ANSYS iar analiza modelului cu elemente de tip shell s-a efectuat cu programul Etabs.

Dimensiunile șpaletului sunt 1.115 x 0.24 x 1.47 metri. Șpaletul de zidărie este supus la o încărcare verticală de V=267 kN și la o încărcare orizontală deH =75.50 kN.Secțiunea de calcul considerată este orizontală, la 4 cm față de baza șpaletului.

S-au considerat 3 modele de calcul, astfel: - Model 1 -(modelarea zidăriei ca un material omogen), figura 5.3;

Fig. 5.3- Model 1 cu elemente de tip solid, macro-modelat - Model 2 - micro-modelare cu elemente de tip solid (modelarea separată a carămizilor ș i

mortarului),figura 5.4;

37

Fig. 5.4 -Model 2 cu elemente de tip solid, micro-modelat - Model 3- macro-modelare cu elemente de tip shell (modelarea zidăriei ca un material

omogen), figura 5.5.

Fig. 5.5- Model 3 cu elemente de tip shell, macro-modelat

Fiecare dintre cele 3 modele au considerat materialul zidărie definită ca material cu comportare liniar elastică sau comportare neliniară.

Caracteristicile mecanice ale zidărieișpaletuluisunt: - modulul de elasticitate al zidăriei (material omogen utilizat în macro-modelare), E=1540

N/mm2; - modulul de elasticitate al cărămizii, E=5000 N/mm2; - modulul de elasticitate al mortarului, E=1000 N/mm2; - greutatea specifică a zidăriei, ρ = 18 kN/m3.

38

5.7.1.1Model 1 - macro-modelare cu elemente de tip solid, analiză liniară Șpaletul de zidărie s-a modelat cu elemente de tip solid în programul de analiză cu element finit ANSYS.Zidăria a fost definită ca un material omogen cu comportare liniară elastică.

Folosind harta de tensiuni normale și valorile numerice ale acestora s-a antrenat rețeaua neuronală din cadrul programului ISANNIF.Folosind harta de tensiuni tangențiale și valorile numerice ale acestoras-a antrenat RNA, rezultatele generate de program ISANNIF constând doar în valoarea forței tăietoare, celelalte valori determinate anterior rămânând neschimbate.

5.7.1.2 Model 1 - macro-modelare cu elemente de tip solid, analiză neliniară

Șpaletul de zidărie s-a modelat cu elemente de tip solid în programul de analiză cu element finit ANSYS. Zidăria a fost definită ca un material omogen cu comportare neliniară.

5.7.1.3 Model 2 - micro-modelare cu elemente de tip solid, analiză liniară

Șpaletul de zidărie s-a modelat cu elemente de tip solid în programul de analiză cu element finit ANSYS. Zidăria a fost definită ca un material neomogen (modelarea separată a carămizilor ș i mortarului)cu comportare liniară.

5.7.1.4Model 2- micro-modelare cu elemente de tip solid, analiză neliniară

5.7.1.5Model 3- macro modeleare cu elemente de tip shell

Șpaletul de zidărie este modelat ca un material omogen cu elemente de tip shell în programul Etabs.Valorile eforturilor de la baza șpaletului sunt determinate au tomat în cadrul acestui program, după cum se poate observa în tabelul 5.1.

Tabel 5.1- Valorile eforturilor generate de programul Etabs pentru model 3

Tip elemente

Tip

modelare

Nz

[Kn]

Mx

[kNm]

My

[kNm]

Vz

[kN]

shell liniară -274.35 -0.234 -111.97 -74.57

neliniară -278.21 -0.083 - 113.12 -76.88 5.7.2 Compararea rezultatelor

În cazul peretelui modelat cu elemente de tip solid valorile eforturilor la baza șpaletului au fost determinate cu ajutorul programului ISANNIF.În cazul peretelui modelat cu elemente de tip shell valorile eforturilor la baza șpaletului au fost integrate aut omat în cadrul analizei cu programul Etabs.În figura 5.6 este prezentat un grafic comparativ al rezultatelor momentelor încovoietoare obținute prin integrare cu programul ISANNIF și integrarea din programul de calcul Etabs.

39

Fig. 5.6- Grafic comparativ al valorilor momentelor încovoietoare obținute prin integrarea cu programul ISANNIF(model1, model 2) și cu programul de calcul Etabs (model 3)

Valorile maxime ale momentelor încovoietoare au rezultat în cazul modelului 3 cu elemente de tip shell, macro-modelat (material omogen). Valorile minime ale eforturilor (ș i probabil cele mai apropiate de realitate) au rezultat în cazul modelului 2 cu elemente de tip solid, micro-modelat (modelare separată a cărămizilor ș i mortarului).În figura 5.7 este prezentat un grafic comparativ al rezultatelor forțelor axiale obținute prin integrare cu programul ISANNIF și integrarea din programul de calcul Etabs.

Fig.5.7- Grafic comparativ al valorilor forțelor axiale obținute prin integrarea cu programul ISANNIF (model 1, model 2) și cu programul de calcul Etabs (model 3)

Valorile maxime ale forței axiale au rezultat în cazul modelului 3 cu elemente de tip shell, m acro-modelat (material omogen) iar valorile minime s-au înregistrat în cazul modelului 2 cu elemente de tip solid, micro-modelat (modelare separată a cărămizilor și mortarului).

0

20

40

60

80

100

120

Model 1 Model 2 Model 3

Moment încovoietor

analiză liniară analiză neliniară

210220230240250260270280290


Forța axială


My[KNm]

Nz[KN]

40

În figura 5.8 este prezentat un grafic comparativ al rezultatelor forțelor tăietoare obținute prin integrare cu programul ISANNIF și integrarea din programul de calcul Etabs.

Fig. 5.8- Grafic comparativ al valorilor forțelor tăietoare obținute prin integrarea cu programul ISANNIF (model 1, model 2) și cu programul de calcul Etabs (model 3)

Valorile maxime ale forței tăietoare au rezultat în cazul modelului 2 cu elemente de tip solid, micro-modelat neliniar iar valorile minime s-au înregistratpentru același model , în varianta micro-modelat liniar.De asemennea, cu programul ISANNIFs-au reluat toate calculele pentru determinarea stării de eforturi dintr-o secțiune limitândtoate tensiunile de întindere. Între valorile eforturilor s-au înregistrat diferențe aproximativ egale cu 0, tabelul 5.2, ceea ce ne conduce la ideia că încărcările aplicate șpaletului de zidărie produc tensiuni de întindere foarte mici.

Tabel 5.2- Diferențele înregistrate între valorile eforturilor determinate cu și fără limitarea tensiunilor de întindere din șpaletul de zidărie

Tip elemente

Tip

modelare

Diferențe înregistrate

Nz

[Kn]

My

[kNm]

Vz

[kN]

Model 1 liniară 0 0 0

neliniară 0.32 0.56 0.110

Model 2

liniară (rost de mortar) 0 0 0

liniară (cărămizi) 0 0 0

neliniară (rost de mortar) 0.28 0.38 0.58

neliniară (cărămizi) 0.41 0.85 0.13

60

65

70

75

80

85


Forța tăietoare


Vz[KN]

41

5.7.3 Interpretarea rezultatelor

În cazulstructurilor cu pereț i groși din zidărie regăsite la majoritatea clădirilormonumente istorice, imobile de largă răspândirepe teritorul naț ional,modelarea cu elemente de tip shell nu reprezintă o soluție potrivită (mai ales în cazulstructurilor cu geometrie complexă), mai exactă fiindmodelarea cu elemente 3d de tip solid.

Însă, programele de calculexistente permit integrareatensiunilorpentrudeterminareaeforturilor doar în cazulunei modelări cu elemente de tip shell. În această situație se arată imperativ necesară o metodă de evaluare a stării de eforturi din pereți din modele cu elemente 3d de tip solid.

În studiul de caz prezentat s-au determinat cu ajutorul programul ISANNIF forța axială, forța tăietoare șimomentele încovoietoare la baza pentru un șpalet de zidărie cunoscând hărțile de tensiuni și valorile numerice aferente din programul ANSYS.Valorile au fost comparate cu valorile eforturilor rezultate din modelarea peretelui cu elemente de tip shell, în programul Etabs.

Diferențele înregistrate între valorile eforturilor determinate cu și fără limitarea tensiunilor de întindere sunt aproximativ egale cu 0 deoarece încărcărilela care este supus șpaletul de zidărie produc tensiuni de întindere foarte mici.

Din interpretarea datelor din modelarea numerică a pereților din zidărie ș i a rezultatelor acestora rezultă faptul că o modelare cu elemente de tip shell și integrarea automată a tensiunilor în programul de calcul conduce la supraevaluarea eforturilor din pereți și subevaluarea gradelor de asigurare ale structurilor expertizate. În acest context, programul dezvoltat își dovedește utilitatea ș i necesitatea unei cercetări mai amănunțite.

5.8 Identificarea stării de eforturi a unei structuri cu pereți groși din zidărie utilizând programul ISANNIF

În practica curentă de expertizare a construcțiilorexistente din zidărie de cărămidă sau zidărie de piatră, se arată vitală cunoaș terea stării de eforturi din interiorul perețilorpentruevaluarea analitică a acesteia.În cazul clădirilor cu pereți groș i din zidărie (majoritatea clădirilormonumente istorice, imobile de largă răspândirepe teritorul naț ional) modelarea cu elemente de tip shell nu constituie o soluție potrivită, mai exactă fiindmodelarea cu elemente 3d de tip solid. Integrareatensiunilorpentrudeterminareaeforturilor este realizată de către programele de calcul doar în cazulunor modelări cu elemente de tip shell.

Pentru investigarea stării de eforturi pe suprafața pereților de zidărie poate fi realizatăo modelare cu elemente de tip shell sau elemente de tip solid.Pentru investigarea stării de eforturi din interiorul pereților groși de zidărie modelarea cu elemente de tip shell în Etabspermite integrarea automată a tensiunilor, în tip ce modelarea cu elemente de tip solid în ANSYS întâmpină probleme.

42

Astfel, programul ISANNIF a fost conceput pentru a soluționa problema integrării tensiunilor în scopul obținerii stării de eforturi. Modelarea geometriei bisericii Bogdana și analiza modelului s-au realizat în Etabs cu elemente de tip shellși înANSYS, cu elemente de tip solid.Prin secționarea modelului cu un plan orizontal la nivelul fundației s-a obținut o hartăa tensiunilor normale (fig.5.9) și o hartă a tensiunilor tangențiale (fig.5.1 0) din care s-au decupat 2 secțiuni. Aceste secțiuni au fost salvate în format jpn. șiau fost folosite ca date de intrare în programul ISANNIF.

Fig. 5.1- Selecţia imaginilor din harta cromatică a tensiunilor normale, din seism

Fig. 5.2- Selecţia imaginilor din harta cromatică a tensiunilor tangențiale, din seism

Utilizând programul ISANNIF s-a determinat starea de eforturi în cele două secțiuni selectate, în varianta cu și fără limitare a tensiunilor de întindere. Rezultatele generate de programul ISANNIF au fost comparate cu cele din programul Etabs. În figura 5.11 sunt prezentate rezultatele antrenării în program a celor două secțiuni decupate de la baza unui stâlp și de la nivelul unui gol de fereastră, în ipoteza fără limitare la tensiuni de întindere.

43

a. b.

c. d.

Fig. 5.11- Determinarea valorilor eforturilorde la nivelul golului de fereastră (a. și b.) și de la baza stâlpului (c. și d.), ipoteza fără limitare la tensiuni de întindere

În figura 5.12 sunt prezentate rezultatele antrenării în program a celor două secțiuni decupate de la baza unui stâlp și de la nivelul unui gol de fereastră, în ipoteza cu limitare la tensiuni de întindere.

44

a. b.

c. d.

Fig. 5.12- Determinarea valorilor eforturilorde la nivelul golului de fereastră (a. și b.) și de la baza stâlpului (c. și d.), ipoteza cu limitare la tensiuni de întindere

5.8.1 Compararea rezultatelor

În figura 5.13 este prezentat un grafic comparativ al rezultatelor eforturilor pentru prima secțiune ( la baza stâlpului) obținute prin integrare cu programul ISANNIF și integrarea din programul de calcul Etabs.

45

Fig. 5.13- Grafic comparativ al valorilor eforturilorpentru secțiunea decupată de la baza stâlpului

În figura 5.14 este prezentat un grafic comparativ al rezultatelor eforturilor pentru cea de-a doua secțiune ( la nivelul golului de fereastră) obținute prin integrare cu programul ISANNIF și integrarea din programul de calcul Etabs.

Fig. 5.14- Grafic comparativ al valorilor eforturilorpentru secțiunea decupată de la nivelul golului de fereastră


În studiul de caz prezentat s-au determinat cu ajutorul programul ISANNIF forța axială, forța tăietoare șimomentele încovoietoare la baza unui stâlp și la nivelul unui gol de fereastră, cunoscând hărțile de tensiuni și valorile numerice aferente din programul ANSYS. Valorile au fost comparate cu valorile eforturilor rezultate din modelarea peretelui cu elemente de tip shell, în programul Etabs, înregistrându-se diferențe mai mici între rezultate de aproximativ 13%.

În varianta limitării tuturor tensiunilor de întindere,pentru analiză liniară,nu s-au înregistrat diferențe între valorile eforturilor. În varianta limitării tuturor tensiunilor de întindere, pentru analiza neliniară, s-au înregistrat între valorile eforturilor diferențe de 8%.

0

100

200

300

400

500

Nz Vz Mx My

Valorile eforturilor - secțiunea 1

ISANNIF ETABS

0

100

200

300

400

500

600

Nz Vz Mx My

Valorile eforturilor - secțiunea 2

ISANNIF ETABS

[KN] , [KNm]

[KN] , [KNm]

46

CAPITOLUL 6

IDENTIFICAREAOMOGENITĂȚII

BETONULUI PE BAZAIMAGINILOR

6.1 Metode clasice de evaluare a omogenității betonului

Calitatea unui amestec de beton proiectat sau cu compoziţie prescrisă poate fi apreciată după gradul de omogenitate al betonului.

Amestecarea betonului este un proces foarte important în evaluarea omogenității betonului. Procesul are în vedere asigurarea unei dispersii uniforme a componenților în masa betonului și acoperirea cu pastă de ciment a tuturor granulelor de agregat.

Dintre factorii care influenţează omogenitatea betonului amintim: timpul de amestecare, tipul malaxorului, proprietăţile componenţilor betonului, corectitudinea dozării componenţilor, ordinea introducerii în malaxor al materialelor, modul şi timpul de descărcare al amestecului.

Metodele clasice de determinare a omogenităţii betonului conform NE-012-1-2007 sunt:

- aprecierea proprietăţilor betonului în stare proaspătă (segregarea, consistenţa, coeziunea, stabilitatea)

- aprecierea proprietăţilor betonului în stare întărită (rezistenţa la compresiune şi întindere, gelivitate, impermeabilitate, contracţie la uscare);

- evaluarea gradului dispersiei componenţilor betonului în amestec (ciment, apă, agregat, aer oclus, alţi componenţi).

Pe lângă metodele clasice de evaluare a omogenității betonului în stare întărită, s-a conceput unsoft care are la bază prelucrarea unei imagini cu ajutorul rețelelor neuronale artificiale numit ucANN.

6.2 Prezentarea generală a programului ucANN

Numele programului ucANNprovine de la uniform concrete Artificial Neural Network.

Programul propune o metodă nouă deevaluare aomogenității betonului în stare întărităpe bazaunuicoeficient de distribuție asociat omogenității (coeficientul de variație).

Soft-ul este realizat în mediu de programare Matlabși are la bază prelucrareacu ajutorul rețelelor neuronale artificiale a unor imaginicu secțiuni de beton în formatele .png și .jpgîn scopul determinării coeficientului de distribuție al materialelor care intră în componența betonului. Pe o secțiune circulară se poate stabili un coeficientul de distribuție asociat omogenității, care ține cont de dispersia în beton

47

a materialelor reciclabile (cauciuc, PET-uri, sticlă, granulele de polistiren, lână, etc.), aerului oclus întâlnit, agregatelor, aditivilor, materialelor compozite etc.

Coeficientul de distribuție asociat omogenitățiieste un indicator al împrăștierii particulelor de adaos în raport cu centrul secțiunii de beton. Calcularea acestui indicator implică două abordări:

- Abordarea 1-segmentarea secțiunii din beton în 30 de cercuri concentrice; - Abordarea 2-segmentarea secțiunii din beton în 30 de fâșii radiale;

Valorile procentuale ale coeficientului sunt cuprinse în intervalul [0,100]. Dacă valorile sunt apropiate de 0, secțiunea este mai omogenă (dispunere simetrică a particulelor de adaos în beton) iar cu cât este mai mare cu atât aceasta devine neomogenă (dispunere asimetrică la stânga sau la dreapta a particulelor de adaos în beton).Din punct de vedere statistic, este stabilit procentual un prag de trecere de la omogen la neomogen de 30%-35%.În prezent, în literatura de specialitate nu sunt precizate valori numerice aledispersiei particulelor de adaos în beton.

Programul ucANN folosește o rețea neuronală artificială de tip feedforward multistrat, cu antrenare supervizatăfolosind algoritmul backpropagation.Funcția de activarefolosită de pe stratul de intrare pe stratul ascunseste ofuncție tan-sigmoidală iar de pe stratul ascuns pe stratul de ieșire este o funcţie treaptă unipolară. Succesiunea etapelor de lucru poate fi prezentată cu ajutorul unei scheme logice, figura 6.1.

Fig. 6.1- Schema logică a programului ucANN

48

6.3 Interfața grafică a programului ucANN

Interfața grafică a programului ucANN, figura 6.2,realizată în Matlab Graphical User Interface Development Environment este construită din 1 obiect de tip Push Button, 5 obiecte de tip Axes, 2 obiecte de tip Edit Text și 7 obiecte de tip Static Text.

Obiectul de tip Push Button numit ,,încarcă imaginea” efectuează următoarele operații: - solicită utilizatorului încărcarea unei imagini cu extensia .png și .jpg; - verifică dacă imaginea încărcată poate fi citită adică dacă conținutul este specific unei imagini; - reinițializarea datelor existente, în cazul în care este necesar; - salvează imaginea sub forma unei matrice; - stabilește dimensiunile imaginii (raza cercului exprimată în pixeli); - se construieşte o imagine nouă cu trei regiuni ideale de interes;

Obiectele de tip Edit Text sunt: - greutatea specifică a betonului; - greutatea specifică a adaos-ului.

Fig. 6.2- Interfața programului ucANN

49

6.4 Etapa de calcul a programului ucANN

Se consideră două populații statistice:

𝑋𝑋 = {𝑥𝑥1, 𝑥𝑥2, … , 𝑥𝑥𝑛𝑛} (6.1)

𝑌𝑌 = {𝑦𝑦1,𝑦𝑦2, … ,𝑦𝑦𝑚𝑚} (6.2)

unde:

X– mulțimea valorilor de măsurare de pe proba de beton împărțită înn cercuri; Y – mulțimea valorilor de măsurare de pe proba de beton împărțită în mtriunghiuri;

Secțiunea probei de beton se împarte în n de cercuri concentrice și m de triunghiuri isoscele,figura 6.3.Pentru fiecare regiune de pe proba de beton se determină raportul dintre aria adaos-ului și aria betonului. Astfel, populația X conține n de valori de măsurare iar populația Y conține m de valori de măsurare.

a. b. Fig. 6.3- Împărțirea probei

a. Abordarea 1 – segmentare concentrică b. Abordarea 2 – segmentare radială

Prelucrarea statistică a măsurătorilor implică stabilirea unor parametri, precum:

- media aritmetică a valorilor de măsurare pentru cele două populațiise calculează cu relațiile:

�̅�𝑥 = 𝑥𝑥1+𝑥𝑥2+⋯+𝑥𝑥𝑛𝑛𝑛𝑛

(6.1)

𝑦𝑦� = 𝑦𝑦1+𝑦𝑦2+⋯+𝑦𝑦𝑚𝑚𝑚𝑚

(6.2)

- abaterea mediei pătratice, notată cu S, se calculează pentru cele două populații cu relațiile:

𝑆𝑆𝑥𝑥 = ±�∑(𝑥𝑥𝑖𝑖−𝑥𝑥̅)2

(𝑛𝑛−1) (6.3)

50

𝑆𝑆𝑦𝑦 = ±�∑(𝑦𝑦𝑖𝑖−𝑦𝑦�)2

(𝑚𝑚−1) (6.4)

- abaterea mediei aritmetice, notată cu𝑆𝑆𝑛𝑛 , se calculează pentru cele două populații cu relațiile:

𝑆𝑆𝑛𝑛𝑥𝑥 = ± 𝑆𝑆𝑥𝑥√𝑛𝑛

(6.5)

𝑆𝑆𝑛𝑛𝑦𝑦 = ± 𝑆𝑆𝑦𝑦√𝑚𝑚

(6.6)

- coeficientul de variație, notatcu𝐶𝐶𝑣𝑣,exprimat în procente, se calculează pentru cele două populații cu relațiile:

𝐶𝐶𝑣𝑣𝑥𝑥 = 𝑆𝑆𝑥𝑥𝑥𝑥̅∙ 100 (6.7)

𝐶𝐶𝑣𝑣𝑦𝑦 = 𝑆𝑆𝑦𝑦𝑦𝑦�∙ 100 (6.8)

6.5 Studiu de caz

6.5.1 Descrierea modelului analizat

Se consideră 2 cilindri cu diametru de 10 cm şi înălţimea de 20 cm realizați din beton și adaos.Primul cilindru s-a realizat din cauciuc, agregat şi matrice. Cauciuculs-a obţinut din reciclarea anvelopelor uzate printr-un process de măcinare.Dimensiunea agregatelor folosite sunt0-4 mm şi 4-8mm iar clasa cimentului utilizat este C30/37. Pentru o lucrabilitate mai bună a compoziţiei s-au folosit aditivi SIKA 20HE. Reţeta betonului armat cu cauciuc reciclat cuprinde un procent de 40%, figura 6.4.

Fig. 6.4- Cilindru realizat din beton şi adaos de cauciuc reciclat

Cel de-al doilea cilindru s-a realizat din agregat, matrice și granule de polistiren.Dimensiunea agregatelor folosite sunt 0-4 mm şi 4-8mm iar diametrul granulelor este cuprins între 1-4 mm. Sortul de agregate fine 0-4 mm este înlocuit în procent de 60% cu granule din polistiren, figura 6.5. Pentru o lucrabilitate mai bună a compoziţiei s-au folosit aditivi SKY 617.

51

Fig. 6.5- Cilindru realizat din beton şi adaos din granule de polistiren

După turnarea compoziţiei în formele cilindrice, s-a executat o vibrare în scopul eliminării aerului din beton.Deasemeneacu ajutorul masei vibrante pentru beton s-a realizatvibrarea cu scopul asigurării omogenităţii compoziţiei, pentru a mări rezistenţa betonului şi pentru a elimina segregările.

Cei doi cilindri de beton s-au secționat în patru tronsoane, s-au curățat de impurități și fotografiat atât pe fața superioară cât și pe fața inferioară.

a. b.

Fig. 6.6–Secțiune tronson1 (beton și cauciuc reciclat) a. partea superioară b. partea inferioară

a. b.

Fig. 6.7–Secțiune tronson 1 (beton și granule de polistiren) a. partea superioară b. partea inferioară

52

6.5.2 Rezultatele generate de ucANN

Imaginile s-au introdus rând pe rând în cadrul programului ucANN iar rezultatele generate de acesta s-au centralizat în tabelele 6.1 și 6.2.

Fig. 6.8- Rezultatele generate de programul ucANN pentru secțiunea tronsonului 1 – partea superioară (beton și cauciuc reciclat)

Fig. 6.9- Rezultatele generate de programul ucANN pentru secțiunea tronsonului 1 – partea inferioară (beton și cauciuc reciclat)

53

Fig. 6.10- Rezultatele generate de programul ucANN pentrusecțiunea tronsonului 1 – partea superioară (beton și granule de polistiren)

Fig. 6.11 - Rezultatele generate de programul ucANN pentru secțiunea tronsonului 1 – partea inferioară (beton și granule de polistiren)

54

Tabel 6.1–Procentele de arii generate de programul ucANN

Nr. Probă

Nr. tronson

Poziție tronson

Aria secțiunii (pixeli2)

Aria beton

(pixeli2)

Aria adaos

(pixeli2)

Adaos (%)

Adaos rețetă (%)

Diferențe de adaos (%)

1

1 sup. 228122 181060 47062 20.63019

40

19.36981

inf. 256800 215886 40914 15.93224 24.06776

2 sup. 242051 236973 5078 2.097905 37.9021

inf. 233593 227931 5662 2.423874 37.57613

3 sup. 233959 226125 7834 3.34845 36.65155

inf. 161534 157507 4027 2.492974 37.50703

4 sup. 218430 214229 4201 1.923271 38.07673

inf. 237272 234112 3160 1.331805 38.6682

2

1 sup. 264651 228186 36465 13.77852

15

1.221477

inf. 203578 179535 24043 11.81022 3.189785

2 sup. 238255 214575 23680 9.938931 5.061069

inf. 222052 200044 22008 9.911192 5.088808

3 sup. 270289 249231 21058 7.79092 7.20908

inf. 215926 195046 20880 9.66998 5.33002

4 sup. 267883 242642 25241 9.422397 5.577603

inf. 215896 200537 15359 7.114073 7.885927

Tabel 6.2–Poziția centrului de masă șicoeficienții de distribuție (programucANN)

Nr. probă

Nr. tronson

Poziție tronson

Coord.secț. omogenă (pixeli)

Coord.secț. neomogenă

(pixeli) Cv1 (%) Cv2 (%)

1

1 sup. (286.3;286.7) (283.3;290.8) 97,68 44,48

inf. (299.2;289.6) (297.3;297.6) 64.38 43.32

2 sup. (301.2;289.3) (301.7;289.6) 74.83 43.73

inf. (271.8;293.8) (277.5;289.1) 69.59 36.78

3 sup. (284.2;282.2) (285.3;294.1) 55.88 49.29

inf. (242.4;237.2) (242.9;237.4) 68.24 38.35

4 sup. (275.9;276.4) (276.2;276.5) 101.0 82.94

inf. (336.5;299) (336.9;299.3) 57.27 35.27

2

1 sup. (312.2;303.1) (312.2;301.7) 163.62 42.62

inf. (285;275.7) (285.6;275.5) 67.73 37.13

2 sup. (299.2;294.5) (299.2;293.5) 76.19 35.64

inf. (298.7;268.6) (298.9;268.3) 83.03 46.92

3 sup. (326.3;309.5) (326.6;310) 65.05 35.57

inf. (291.2;287.6) (291.2;286.6) 68.90 41.28

4 sup. (299.1;305.2) (299.6;305.8) 63.01 35.34

55


În cazul cilindrului din beton cu cauciuc reciclat s-au observat următoarele: - coeficientul de distribuție asociat omogenității a înregistrat valori peste 35% pentru ambele tipuri

de abordare, deci granulele de cauciuc reciclat sunt dispuse asimetric în beton, figura 6.12.

Fig. 6.12–Coeficienții de distribuție asociați omogenității determinați cu programul ucANN pentru cilindru din beton cu cauciuc reciclat

- datorită unei execuții necorespunzătoare a betonului s-a înregistrat un procent de cauciuc foarte mare pe primul tronson comparativ cu celelelte trei tronsoane, figura 6.13;

- poziția centrului de masă al secțiunii nu coincide cu poziția centrului de masă calculatpentru o secțiune omogenă.

Fig. 6.13 - Grafic comparativ al procentelor de cauciuc întâlnit în urma secționării în 4 tronsoanea cilindrului

0

20

40

60

80

100

120

tronson 1 sup.

tronson 1 inf.

tronson 2 sup.

tronson 2 inf.

tronson 3 sup.

tronson 3 inf.

tronson 4 sup.

tronson 4 inf.

Coeficienții de distribuție asociați omogenității betonului cu cauciuc

Cv1 Cv2

05

10152025

Tronson 1 Tronson 2 Tronson 3 Tronson 4

Procente de cauciuc - cilindrul 1

partea superioară partea inferioară

-- - 35%

[%]

[%]

56

În cazul cilindrului din beton cu granule de polistiren s-au observat următoarele:

- coeficientul de distribuție asociat omogenității a înregistrat valori peste 35% pentru ambele tipuri de abordare, deci granulele de polistiren sunt dispuse asimetric în beton, figura 6.14.

Fig. 6.14- Coeficienții de distribuție asociați omogenității determinați cu programul ucANN pentru cilindru din beton cu granule de polistiren

- s-au înregistrat între secțiunile tronsoanelor diferențe de aproximativ 3.5 % granulelor de polistiren, iar între secțiu nea tronsonului 1 (partea superioară) și secțiunea tronsonului 4 (partea inferioară) diferențe de 6.67%, cauza diferențelor fiind densitățile diferite dintre celor două materiale, figura 5.15;

- poziția centrului de masă al secțiunii nu coincide cu poziția centrului de masă calculatpentru o secțiune omogenă.

Fig. 6.15- Grafic comparativ al procentelor granulelor depolistiren întâlnit în urma secționării în 4 tronsoane a cilindrului

020406080

100120140160180

Tronson 1 sup.

Tronson 1 inf.

Tronson 2 sup.

Tronson 2 inf.

Tronson 3 sup.

Tronson 3 inf.

Tronson 4 sup.

Tronson 4 inf.

Coeficienții de distribuție asociați omogenității betonului cu granule din polistiren

Cv1 Cv2

0

5

10

15

tronson 1 tronson 2 tronson 3 tronson 4

Procente de granule de polistiren -cilindrul 2

partea superioară partea inferioară

--- 35%

[%]

[%]

57

CAPITOLUL 7

EVALUAREA PERFORMANȚELOR ECOLOGICE

ALE STRUCTURILOR DIN BETON ARMAT

7.1 Noțiuni generale privind impactul asupra mediului a structurilor din beton

În prezent, Industria Construcțiilor este clasată printre cei mai mari consumatori de resurse. Se consumă anual peste 50% din cantitatea de materiale extrase, folosite pe plan mondial, spre deosebire de alte domenii economice(Messari-Becker L., 2012),(Pacheco-Torgal F., 2012).Materiale de construcții reprezintă aproximativ jumătate din cantitatea de materiale utilizate anual.

Scopul aplicării LCA(Life Cycle Assessment) este de a optimiza aspecteleprivind dezvoltarea sustenabilității, începând de la extracția de materii prime și până la reciclare.

Pentru o dezvoltare sustenabilă în domeniul construcțiilor se urmărește realizarea unor materiale cu o amprentă de carbon cât mai mică.

Programul GaBi ts este un program automat de calcul, care poate fi utilizat și cu scopul stabilirii performanțelor ecologice pentru elementele structurale din beton simplu, beton armat și pentru sistemele de consolidare compozite.Determinarea amprentei de carbon în cadrul acestui program implică parcurgerea mai multor etape de lucru care necesită un timp ridicat de lucru.

Astfel, cu ajutorul rețelelor neuronale artificiale se propune o nouă metodă de calcul a amprentei de carbon. Metoda este implementată într-un soft realizat în mediu de programare Matlab, numitANNCO2.

7.2 Prezentarea generală a programului ANNCO2

Numele programului ANNCO2 reprezintă un acronim ce provine de la Artificial Neural Network Carbon Oxygen 2.Programul este conceput să prognozeze amprenta de carbon a elementelor structurale pentru prima fază a ciclului de viață, și anume, execuția și procesarea materiilor prime.

Rețeaua neuronală folosită pentru acest tip de problemă este o rețea feedforward, cu două straturi, care conține 3 neuroni de intrare, 25 de neuroni pe stratul ascuns și 1 neuron pe startul de ieșire. Numărul de neuroni de pe cele două straturi au fost stabiliți pe baza mai multor teste de încercare. Algoritmul de antrenare al rețelei neuronale este de tip backpropagation.

58

7.3 Interfața grafică a programului ANNCO2

Interfața grafică a programului ANNCO2este construită în Graphical User InterfaceDevelopment Environmentdin mai multe obiecte, figura 7.1.

Fig. 7.2-Interfața grafică a programului ANNCO2

Principiul de utilizare al programului ANNCO2 este descris cu ajutorul schemei logice din figura 7.3.

Fig. 7.3- Schema logică a principiului de utilizare a programului ANNCO2

59

7.4 Compararea rezultatelor generate de programul ANNCO2 și programul GaBi ts

Sunt propuse pentru studiu 6 elemente liniare (3 stâlpi și 3 grinzi) realizate din beton armat de clasă C20/25. Materialele care intră în componența betonului sunt: 916 kg/m3 agregat fin, 916 kg/m3 agregat grosier, 370 kg/m3 ciment CEM I 32.5 și 185 kg/m3 apă.

Stâlpul 1 este realizat din beton armat cu dimensiunile 50x50x300 cm. Pentru armare sunt folosite 18 bare ∅25 PC52 și 25 de etrieri ∅8 OB37, acumulându-se în total 102.82 kg de armătură.Cu ajutorul programului ANNCO2 s-a prognozat într-un interval de câteva secunde o amprentă de carbon de 372.938 kg , figura 7.4.

Fig. 7.4- Prognozarea amprentei de carbon pentru stâlpul 1(50 x 50 x300 cm)

Stâlpul 2 este realizat din beton armat cu dimensiunile 25x25x300cm. Pentru armare sunt folosite 8 bare ∅25 PC52 și 25 de etrieri ∅8 OB37, acumulându-se în total 55.42 kg de armătură.S-a prognozat cu programl ANNCO2 o amprentă de carbon de 131.885 kg, figura 7.5.

Fig. 7.5 -Prognozarea amprentei de carbon pentru stâlpul 2 (25x 25x300 cm)

60

Stâlpul 3 este realizat din beton armat cu dimensiunile 30x35 x280cm. Pentru armare sunt folosite 12 bare ∅25 PC52 și 22 de etrieri ∅8 OB37, acumulându-se în total 63.40 kg de armătură.

S-a prognozat cu programl ANNCO2 o amprentă de carbon de 176.229 kg, figura 7.6.

Fig. 7.6- Prognozarea amprentei de carbon pentru stâlpul 3 (30x 35 x280 cm)

Grinda 1este realizată din beton armat cu dimensiunile600x30x60 cm. Pentru armare sunt folosite 8 bare ∅25 PC52,4 bare ∅20 PC52, 120 de etrieri ∅10 OB37 și 120 de agrafe ∅8 OB37, acumulându-se în total 381 kg de armătură.Cu ajutorul programului ANNCO2 s-a prognozat într-un interval de câteva secunde o amprentă de carbon de 839.85 kg, figura 7.7.

Grinda 2 este realizată din beton armat cu dimensiunile 300 x 20 x 40 cm. Pentru armare sunt folosite 8 bare ∅25 PC52, 60 de etrieri ∅10 OB37 și 60 de agrafe ∅8 OB37, acumulându-se în total 151.44 kg de armătură.S-a prognozat cu programul ANNCO2 o amprentă de carbon de 278.657 kg, figura 7.8.

Fig. 7.7- Prognozarea amprentei de carbon pentru grinda 1 (600 x 30 x60 cm)

61

Fig. 7.8 -Prognozarea amprentei de carbon pentru grinda 2 (300x 20 x40 cm)

Grinda 3 este realizată din beton armat cu dimensiunile 300x 15x 30cm. Pentru armare sunt folosite 8 bare ∅25 PC52, 0 de etrieri ∅10 OB37 și 60 de agrafe ∅8 OB37, acumulându-se în total 190.5 kg de armătură.S-a prognozat cu programul ANNCO2 o amprentă de carbon de 290.744 kg.

Diferențele de valori generate între programul ANNCO2 și programului GaBi ts au putut fi evidențiate cu ajutorul graficului din figura 7.9.

Fig. 7.9 - Grafic comparativ al rezultatelor generate de programul ANNCO2 și programul GaBi ts

S-au înregistrat în urma comparării rezultatelor diferențe între cele două programe de aproximativ 2.31% (grindă), respectiv 2.19% (stâlp). Intervalul de timp necesar programului ANNCO2 să prognozeze amprenta de carbon pentru un singur element structural este de câteva secunde, în timp ce programul GaBi ts necesită un interval de câteva ore pentru un singur element structural.

0

500

1000

1500

2000

grinda 600x30x60

stâlp 300x50x50

Amprenta de carbon

ANNCO2 GaBi ts

[Kg CO2 echivalent]

62

CAPITOLUL 8

CONCLUZII. CONTRIBUȚII PERSONALE

ȘI DISEMINAREA REZULTATELOR

8.1 Concluzii generale

Descoperirea rețelelor neuronale artificiale au deschis în domeniului Ingineriei Civilenoi oportunitățiîn rezolvarea problemelorpentru care nu s-au putut stabili modele matematice, care nu dispun de un algoritm dar posedă exemple de soluții și pentru care timpul de calcul este inacceptabil.

Din studiile realizate,rețelele neuronale sunt utilizate cu succes în majoritatea problemelorde prognoză, de proiectare, diagnosticare, urmărire în timp și optimizare (Capitolul 3).

Problemele cu care se confruntă domeniul Construcțiilor suntdescrise și soluționate cu ajutorul unor rețele neuronale artificiale capabile prin învățarea bazată pe exemple de soluții să își genereze propriile reguli oferind răspunsuri corecte pentru intrări diferite de cele folosite pentru antrenare. De asemenea, în curs de dezvoltare sunt situate problemele soluționate cu ajutorul rețelelor neuronale bazate pe prelucrare de imagini (Capitolul 4).

În cadrul tezei de doctorat s-au studiat următoarele probleme: - pe baza hărților de tensiuni furnizate de programele de analiză cu element finits-au identificat

starea de eforturi pe orice secțiune decupată dintr-o imagineși momentele față de orice axă impusă pe secțiune ; de asemenea, s-au determinat caracteristicile mecanice ale secțiunilor rezultate în urma decupajului;

- s-a identificatstarea de eforturi, pe orice secțiune decupată dintr-o imagine,prin limitarea tensiunilor de întindere ca urmare a ieșirii din lucru a unor secțiuni;

- s-a evaluatomogenitatea betonului în stare întărită pe baza imaginilor și a coeficientului de distribuție asociat omogenității;

- s-a prognozatamprenta de carbon specifică elementelor structurale din beton armat,pentru faza de execuție și procesare a materiilor prime.

Rețelele neuronale, construite pentru problemele studiate în cadrul Tezei de Doctorat,au putere de acomodare într-un mediu aflat în permanență schimbare, pot lua decizii și trage concluzii atunci când se confruntă cu zgomote irelevante sau cu informații complexe. Acestea modeleazăfoarte uș or sistemele cu multe variabile datorită numărului foarte mare de intrări și ieșiri.

63

Un avantaj foarte mare a rețelelor neuronale este că acestea autoleranță la erori.Deteriorarea unor neuroni din rețea nu conduce la o deteriorare severă a performanţelor, aceasta scade doar performanţa reţelei neuronale. Performanța rețelei este dată de eroarea medie pătratică, eroare care trebuie să tindă spre zero pentru a obține rezultate cât mai corecte (Capitolul 2).

Este posibilă modificarea structurii interne a rețelelor neuronale pentru atingerea țintei. Supravegherea acestor modificări este posibilă prin stabilirea corelațieidintre valorile dorite și valorile obținute.În comparație cu multe alte programe de analiză structurală, rețelele neuronalenu sunt lente și nici costisitoare.

Identificarea stării de eforturi, a caracteristicilor mecanice și a omogenității betonului implică folosirea unor imagini. Problema majoră în procesarea unei imagini o constituia neliniaritatea, problemă care în prezent este soluționată cu ajutorul rețelelor neuronale de tip feedforward.

ProgramulISANNIFfoloseșteo rețea neuronală artificială de tip feedforward, cu trei straturi, care nu prezintă feedback și nu este recurentă . Intrarea rețelei neuronale constă într-o matrice RGB, formată din 3 linii și n coloane (n reprezintă numărul de culori întâlnit pe imagine).Ieșirea rețelei neuronale este o matrice formată dintr-o linie și m coloane (m reprezintă numărul valorilor numerice a tensiunilor asociate culorilor din matriceRGB). Funcțiile de activare (Capitolul 2)din programul ISANNIFsunt funcția tan-sigmoidală (de pe stratul de intrare pe stratul ascuns) și funcția liniară (de pe stratul ascuns pe stratul de ieșire ).Software-ul permite identificarea stării de eforturi și a caracteristicilor mecanice în orice secțiune dintr -un element structural, furnizează starea de eforturi față de orice axă impusă pe secțiune și oferă posibilitatea de limitare a tensiunilor de întindere ca urmare a ieșirii din lucru a unor secțiuni.

Programul ucANN folosește o rețea neuronală artificială de tip feedforward multistrat, cu antrenare supervizatăfolosind algoritmul backpropagation. Intrările reţelei neuronale sunt seturi de imagini color iar ieșirea rețelei constă într-un coeficient de distribuție asociat omogenității betonului.Funcțiile de activaredin programul ucANN sunt funcția tan-sigmoidală (de pe stratul de intrare pe stratul ascuns) și funcţia treaptă unipolară (de pe stratul ascuns pe stratul de ieșire ). Software-ul propune o metodă nouă deevaluare a omogenității betonului în stare întărită.

Programul ANNCO2 utilizează o rețea neuronală de tip feedforward, cu 2 straturi (3 neuroni de intrare, 25 de neuroni pe stratul ascuns și 1 neuron pe stratul de ieșire ). Intrările rețelei neuronale sunt lungimea, lățimea și înălțimea elementului structural în unitatea de măsură centimetri. Ieșirea rețelei este amprenta de carbon specifică elementului structural (kg CO2 echivalent) la care este adăugată amprenta de carbon specifică cantității de oțel. Algoritmul de antrenare a rețelei neuronale este de tip backpropagation (Capitolul 2). Funcțiile de activaresunt funcția tan-sigmoidală și funcția liniară. Software-ul prognozeazăamprenta de carbon a elementelor structurale pentru faza de execuție și de procesare a materiilor prime.

În ciuda caracteristicilor pozitive a rețelelor neuronale, pe parcursul evoluției testare-antrenare- validarea rețelei neuronale au apărut o serie de erori.

64

S-a constatat că o rezoluție redusă a imaginii poate conduce la introducerea unor erori mai mari în ceea ce privește aproximarea suprafețelor și a distribuției tensiunilor . De asemenea, unghiul de înclinare față de probă în momentul realizării fotografiei poate fi un factor extern care să influențeze corectitudinea rezultatelor.

Captura de ecran poate fi influențată de iluminarea naturală sau artificială, de prezența umbrelor, de calitatea senzorului de captură (zgomot alb) etc.Imaginile cu extensia .jpg pot introduce artefacte în imaginea inițialăprin comprimarea conținutului.

S-a descoperit că de la un program la altul apar neconcordanțe (tonalitate culori) între cul orile de pe imaginea tensiunilor și harta de culori specifică acesteia.

Întrucât culorile din harta de tensiuni sunt definite între două limite (valoarea medie) apar aproximări în determinarea valorilor asociate culorilor.

Se pot înregistra erori de definire a regiunilor de interes sau de decupare a unei secțiuni dintr -o imagine în momentul introducerii datelor de către utilizator.

În ciuda dezavantajelor pe care le prezintă RNA, acestea înregistrează un raport favorabil între performanțe și complexitate, raport care este în prezent în continuă creștere.

8.2 Contribuții originale

În cadrul programului doctoral s-au elaborat și implementat următoarele contribuții originale:

- realizarea unei documentări teoretice amănunțite privind categoriile de rețelele neuronale existente până în prezent;

- consultarea literaturii de specialitate în legătură cu funcțiile de activare și algoritmii de învățare, specifice rețelelor neuronale;

- parcurgerea unui proces de pregătire privind utilizarea rețelelor neuronale în limbaj de programare Matlab;

- examinarea avantajelor și dezavantajelor utilizării rețelelor neuronale în cadrul domeniului Inginerie Civilă;

- efectuarea unui studiu de sinteză privind utilizarea rețelelor neuronale artificiale în soluționarea problemelor din domeniul Ingineriei Civile (prognoză, proiectare, diagnosticare, urmărire în timp și optimizare) fiind urmărite datele de intrare și de ieșire ale rețelei, funcțiile de activare și algoritmul de învățare al acesteia;

- consultarea lucrărilor științifice cu privire l a problemele de prelucrare de imagini soluționate cu ajutorul rețelelor neuronale în diverse domenii;

- s-a conceput programulISANNIF (Inteligent System Artificial Neural Network Internal Forces) în mediu de programare Matlab; software-ul are la bază prelucrarea unei imagini în formatele .png, .jpg, .bmp, și .jpeg, cu ajutorul rețelelor neuronale artificiale și determinarea stării de eforturi în orice secțiune și pe orice direcție într -un element structural folosind hărțile de

65

tensiuni furnizate de programele cu element finit; de asemenea, programul oferă posibilitatea de limitare a tensiunilor de întindere pâna la o anumită valoare declarată de utilizator ca urmare a ieșirii din lucrabilitate a unor secțiuni;

- analize comparative privind starea de eforturi identificată de programul ISANNIF și programul Etabspentru două modele (un șpalet de zidărieși o structură cu pereți groși din zidărie);

- s-a conceput programulucANN(uniform concrete Artificial Neural Network)în mediu de programare Matlab; software-ulpropune o metodă nouă de identificare a omogenității betonului în stare întărităfără a fi cunoscută rezistența la compresiune a acestuia; metoda propusă introduce un coeficient nou de distribuție asociat omogenității , coeficient care ține cont de dispersia în beton a materialelor reciclabile (cauciuc, PET-uri, sticlă, granulele de polistiren, lână, etc.), a aerului oclus, a agregatelor, a aditivilor, a materialelor compozite etc.

- prelucrări statistice pe secțiuni din beton cu secțiune circulară segmentate circular și radial, în scopuldeterminării coeficienților de distribuție asociați omogenității;

- s-a conceput programul ANNCO2 (Artificial Neural Network Carbon Oxygen 2)în mediu de programare Matlab;software-ulstabilește performanțele ecologice pentru elementele structurale din beton simplu și beton armat; programulprognozează amprenta de carbonpentru prima fază a ciclului de viață (execuția și procesarea materiilor prime);

- analize comparative privind rezultatele prognozate de programul ANNCO2 și programul automat de calculGaBi ts.

8.3 Diseminarea rezultatelor

Rezultatele obținute pe parc ursul Programului de Cercetare Doctorală au fost valorificate prin publicarea unui număr de 10 lucrări științifice, după cum urmează:

- 4lucrări științifice publicate în reviste BDI

PandeleaAlexandrina-Elena, BudescuMihai, SovejaLucian,Variation of internal forces using ANN, Buletinul Institutului Politehnic din Iaşi, Vol. 63(67),ISSN: 1224-3884, Fasc.1, pag. 41-48,Iaşi, România, 2017.

PandeleaAlexandrina-Elena, BudescuMihai,Using thermography and artificial neural networks in civil engineering, Buletinul Institutului Politehnic din Iaşi,Vol. 62(66),ISSN: 1224-3884, Fasc.2, Iaşi, România, pag. 29-36, 2016.

PandeleaAlexandrina-Elena, Budescu Mihai, CovatariuGabriela, ȚăranRareș, Checking the homogeneity of concrete using artificial neural network,Buletinul Institutului Politehnic din Iaşi, Tomul LXI (LXV), ISSN: 1224-3884, Fasc. 3, pag. 83-92, Iaşi, România, 2015.

PandeleaAlexandrina-Elena, BudescuMihai,CovatariuGabriela,Image processing using artificial neural networks,Buletinul Institutului Politehnic din Iaşi,Tomul LXI (LXV), ISSN: 1224-3884, Fasc. 4, pag. 9-21, Iaşi, România, 2015.

66

- 4lucrări științifice publicate în volumele unor manifestări științifice naționale cu participare internațională

BudescuMihai, PandeleaAlexandrina-Elena, Soveja Lucian,The use of artificial neural networks in assessing the state of effort in three-dimensional models with solid elements, 6th National Conference on Earthquake Engineering & 2nd National Conference on Earthquake Engineering and seismology, București, România, 2017- în curs de publicare.

PandeleaAlexandrina-Elena, BudescuMihai, SovejaLucian,Solonaru Maria,Determination of Internal Forces Using Artificial Neural Networks, Advanced Engineering Forum, Vol. 21, ISSN: 2234-991X, pag 151-157, 2017.

PandeleaAlexandrina-Elena, BudescuMihai, Covatariu Gabriela,Applications of Artificial Neural Networks in Civil Engineering, 2nd International Conference for PhD students in Civil Engineering and Architecture CE-PhD 2014,pag. 221- 229, Cluj-Napoca, Romania, 2014.

Oanea (Fediuc)Daniela, BudescuMihai, VenghiacMircea,PandeleaAlexandrina-Elena,Observations on the design of elastomeric bearings used in base isolation, Proceedings of the 11th International Symposium „Computational Civil Engineering”, ISSN 2285-2735, pag. 75-82, Editura Societăţii Academice ”Matei-Teiu Botez”, Iaşi, Romania, 2013.

- 1 lucrare publicată în Google Scholar

PandeleaAlexandrina-Elena, BudescuMihai, SovejaLucian, Assessment of internal forces from stress state by means of ANN, Intersections Journal,Vol. 14, ISSN 1582-3024, pag. 95-102, Iași, 2017.

- 1 lucrare publicată în volumele unor manifestări științifice naționale

PandeleaAlexandrina-Elena, Noţiuni generale privind reţelele neuronale artificiale,“Creaţii Universitare 2015”, al VIII-lea Simpozion Naţional, pag.128-133, Iaşi, România, 2015.

67

BIBLIOGRAFIE SELECTIVĂ

Abbassi F., Belhadj T., Misto S., Zghal A. Parameter identification of a mechanical ductile damage using Artificial Neural Networks in sheet metal forming, Materials & Design, pag. 605-615, 2013.

Abdalla J.A., Elsanosi A., Abdelwahab A. Modeling and simulation of shear resistance of R/C beams using ANN, Journal of the Franklin Institute 344, pag. 741-756, 2007.

Basma A.A. Kallas N. Modeling Soil Collapse by ANN - Tehnical Note, Geotechnical and Geological Engineering. 22, Kluwer Academic Publishers, pag. 427-438, 2004.

Behnood A., Verian K.P., Gharehveran M.M. Evaluation of the splitting tensile strength in plain and steel fiber-reinforced concrete based on the compressive strength, Construction and Building Materials, Volume 98, pag. 519-529, 2015.

Boxin Wang, Teng Man, Henan Jin Prediction of expansion behavior of self-stressing concrete by artificial neural networks and fuzzy inference systems, Construction and Building Materials, Vol. 84, pag. 184-191, 2015.

Caglar N., Elmas M., Yaman Z.D., Saribiyik M. Neural Network in 3-dimensional dynamic analysis of reinforced concrete buildings, Construction and building materials, Vol. 22, pag. 788-800, 2008.

Calabrese A., Lai C.G. Fragility functions of blockwork wharves using artificial neural networks , Soil Dynamics and Earthquake Engineering 52, Vol. 52, pag. 88-102, 2013.

Covatariu G. Aplicații ale Rețelelor Neuronale în Ingineria Civilă, Teză de doctorat, Univ. Tehnică Ghe. Asachi din Iași, Facultatea de Construcții și Instalații, 2010.

Czarnecki Slawomir Non destructive evaluation of the bond between a concrete added repair with variable thickness and a substrate layer using ANN, Procedia Engineering, Vol. 172, pag.194-201, 2017.

Duan Z.H , Kou S.C., Poon C.S. Using artificial neural networks for predicting the elastic modulus of recycled aggregate concrete, Construction and Building Materials, Vol. 44, pag. 524-532, 2013.

Erdem Hakan Predicting the moment capacity of RC beams exposed to fire using ANNs, Construction and Building Materials, Vol.101, pag. 30-38, 2015.

Garzón-Roca J., Adam J.M., Sandoval C., Roca P. Estimation of the axial behaviour of masonry walls based on Artificial Neural Networks, Computers & Structures, Vol. 125, pag. 145-152, 2013.

68

Garzon-Roca J., Creu Obrer M., Jose M. Adam Compressive strength of masonry made of clay bricks and cement mortar: Estimation based on Neural Networks and Fuzzy Logic, Engineering Structures, Vol. 48, pag. 21-27, 2012.

Gonzalez B., Martinez M.I., Carro D. Prediction of the consistency of concrete by means of the use of ANN, Chapt.IX, ANN in real -life applications, pag. 188-200, 2006.

Gupta R., Kewalramani A., Goel A. Prediction of concrete strength using neural-expert system, Journal of Materials in Civil Engineering, pag. 462-466, 2006.

Hai Xia Wang, Jin Xin Niu, Jiang Feng Wu ANN model for the estimation of life casualities in earthquake engineering, Systems Engineering Procedia 1, pag. 55-60, 2011.

Hamid Eskandari, Morteza Gharouni Nik, Mohammad Mahdi Eidi Prediction of Mortar Compressive Strengths for Different Cement Grades in the Vicinity of Sodium Chloride Using ANN, Procedia Engineering, Vol.150, pag. 2185-2192, 2016.

Hola J., Schabowicz K. Application of ANN to Determine Concrete Compressive Strength on Non-distructive Tests, Journal of Civil Engineering & Management, Vol. XI, pag. 23-32, 2005.

Hossein Mirzaaghabeik, Hamid Reza Vosoughifar Optimum connection of LSF system braces using the seismic-ANN, Pacific Science Review A: Natural Science and Engineering, pag. 1-6, 2016.

Jain A., Jha S.K., Misra S. Modeling and analysis of concrete slump using ANN, Journal of Materials in Civil Engineering, pag. 628-634, 2008.

Jørgensen C., Grastveit R., Garzón-Roca J., Payá-Zaforteza I., Adam J. Bearing capacity of steel-caged RC columns under combined bending and axial loads: Estimation based on Artificial Neural Networks, Engineering Structures, Vol. 56, pag. 1262-1270, 2013.

Kabir S., Rivard P., Ballivy G. NN-based Damage Classification of Bridge Infrastructure using Texture Analysis, Canadian. Journal of Civil Engineering, Vol. 35, pag. 258-267, 2008.

Kawabata D., Bandibas J. Landslide susceptibility mapping using geological data, a DEM from ASTER images and an Artificial Neural Network (ANN), Geomorphology 113, pag. 97–109, 2009.

Kim D.K., Lee J.J., Lee J.H., Chang S.K. Application of probabilistic neural networks for prediction of concrete strength, Journal of Materials in Civil Engineering, 2005.

Konstantinos Morfidis, Konstantinos Kostinakis, Seismic parameters combinations for the optimum prediction of the damage state of R/C buildings using neural networks, Advances in Engineering Software, Vol. 106, pag. 1-16, 2017.

Lingaraju D., Ramji K., Mohan Rao N.B.R., Rajya lakshmi U. Characterization and prediction of some engineering properties of polymer - Clay/Silica hybrid nanocomposites through ANN and regression models, Procedia Engineering, Vol. 10, pag. 9-18, 2011.

69

Mansouri I., Kisi O. Prediction of debonding strength for masonry elements retrofitted with FRP composites using neuro fuzzy and neural network approaches, Composites Part B: Engineering, Vol. 70, pag. 247-255, 2015.

Matcovschi M., Păstrăvanu O. Aplicații ale rețelelor neuronale în automatică, Editura Politehnium, 2008.

Maxineasa S.G. Soluții compozite și hibride pentru dezvoltarea sustenabilă în Construcții, Teză de doctorat, Univ.Tehnică Ghe.Asachi din Iași, Facultatea de Construcții și Instalații, Iași, 2015.

Mehrjoo M., Khaji N., Moharrami H., Bahreininejad A. Damage Detection of Truss Bridge Joints using ANN, Expert Systems with Appl., Vol. 35, pag. 1122-1131, 2008.

Möller B., Liebscher M., Schweizerhof K., Mattern S., Blankenhorn G. Structural collapse simulation under consideration of uncertainty-Improvement of numerical efficiency, Computers & Structures, Vol. 86, pag. 1875-1884, 2008.

Madhubabu N., Singh P.K., Ashutosh Kainthola, Bankim Mahanta, Tripathy A., Singh T.N. Prediction of compressive strength and elastic modulus of carbonate rocks, Measurement, Vol. 88, pag. 202-213, 2016.

Oztas A., Pala M., Ozbay E. Predicting the compressive strength and slump of high strength concrete using NN, Construction and Building Materials, Vol. 20, 2006.

Pandyaa D., Shaha D. Experimentation and Its Prediction of Process Parameters Effects on Elongation in Tensile Test of AISI 1008 Steel Using ANN Model, Procedia Technology 14, pag. 282-289, 2014.

Reyes J., Morales-Esteban A., Martínez-Álvarez F. Neural networks to predict earthquakes in Chile, Applied Soft Computing, Vol. 13, pag. 1314-1328, 2013.

Samanta S., Mandal A., Thingujam Singh J. Application of ANN in Identifying Defects in Impacted Composite, Procedia Materials Science, Vol. 6, pag. 926-930, 2014.

Soveja L., Budescu M. Aspects regarding modelling of old masonry churches using shell and solid elements, 15th International Scientific Conference VSU, 2015.

Vagelis P., Panagiotis G. A. Modeling of masonry failure surface under biaxial compressive stress using Neural Networks, Construction and Building Materials, Vol. 55, pag. 447-461, 2014.

Vertan C. Prelucrarea și analiza imaginilor, Editura Printech, București, 1999.

Zanetti S.S., Cecílio R.A., Alves E.G., Heringer Silva V., Sousa E. Estimation of the moisture content of tropical soils using colour images and artificial neural networks, Catena 135, pag. 100-106, 2014.

universitatea tehnicĂ „gheorghe asachi” din … pandele… · calcul cu elemente de tip shell...

Documents