Please use this identifier to cite or link to this item: https://hdl.handle.net/11147/13951
Title: Material model calibration of fiber reinforced concrete using deep neural network
Other Titles: Derin sinir ağı kullanılarak lif takviyeli beton malzeme modeli kalibrasyonu
Authors: Yaşayanlar, Yonca
Advisors: Saatcı, Selçuk
Erdem, Tahir Kemal
Keywords: Deep neural networks
Fiber-reinforced concrete
Model calibration and validation
LS-DYNA
Publisher: 01. Izmir Institute of Technology
Abstract: The numerical modeling of fiber reinforced concrete (FRC) structures is quite challenging due to the material's heterogeneous and anisotropic nature. The majority of material models that are suitable for regular concrete are not able to account for the FRC material's increased tensile capacity and ductility. In this study, a calibration method is proposed that is simple and effective for modeling FRC structures using a selected concrete material model. The Karagozian and Case (K&C) material model in LS-DYNA is capable of representing the ductile nature of FRC, and its parameters related to tensile behavior were calibrated to reflect the tensile-softening behavior. The calibration process was executed using the uniaxial direct tension test results of two different FRC mixtures. In addition, single element numerical models were constructed using LS-DYNA under uniaxial tension. The tensile parameters of K&C were varied over a wide range using single elements to form a database. Then, a Deep Neural Network (DNN) was constructed to pass the database through and find the K&C parameters that best matched the experimental uniaxial test results. The proposed methodology was tested under static and high-strain rate loading conditions, and the results were compared to the experimental findings. The performance of the DNN-achieved parameters was found to be satisfactory. The results showed that the DNN-calibrated parameters were able to accurately predict the behavior of FRC structures under static and dynamic loading conditions.
Fiber takviyeli beton yapıların sayısal modellemesi, normal betona göre daha zordur. Normal beton için uygun olan malzeme modellerinin çoğu, fiber takviyeli beton malzemenin yüksek çekme kapasitesini ve arttırılmış sünek davranışını hesaba katamaz. Bu çalışmada, fiber takviyeli beton yapılarının modellenmesi için basit ve etkili bir malzeme modeli kalibrasyon yöntemi önerilmiştir. Bunun için LS-DYNA'daki normal beton malzeme modeli olan Karagozian ve Case (K&C) malzeme modeli seçilmiştir. Fiber takviyeli betonun sünek doğasını yansıtabilecek çekme davranışıyla ilgili K&C parametreleri, çekme yumuşatması davranışını yansıtacak şekilde kalibre edilmiştir. Kalibrasyon işlemi, iki farklı fiber takviyeli beton karışımının direk çekme testi sonuçları kullanılarak gerçekleştirilmiştir. Ayrıca, LS-DYNA ile direk çekme gerilimi altında tek eleman sayısal modelleri oluşturulmuştur. Bir veri tabanı oluşturmak amacı ile K&C'nin çekme parametreleri geniş bir aralıkta değiştirilmiştir. Veri tabanı, oluşturulan Derin Sinir Ağı'ndan geçirilip deneysel tek eksenli test sonuçlarına en iyi uyan K&C parametrelerini bulunmuştur. Önerilen metodoloji statik ve yüksek şekil değiştirme yükleme koşulları altında test edilmiş ve sonuçlar deneysel bulgularla karşılaştırılmıştır. Derin Sinir Ağı tarafından elde edilen parametrelerin performansının kabul edilebilir olduğu bulunmuştur. Sonuçlar, Derin Sinir Ağı ile kalibre edilen parametrelerin, statik ve dinamik şekil değiştirme yükleme koşulları altında fiber takviyeli beton yapılarının davranışını doğru bir şekilde tahmin edebildiğini göstermiştir.
Description: Thesis (Doctoral)--İzmir Institute of Technology, Civil Engineering, Izmir, 2023
Includes bibliographical references (leaves. 74-87)
Text in English; Abstract: Turkish and English
URI: https://hdl.handle.net/11147/13951
Appears in Collections:Phd Degree / Doktora

Files in This Item:
File Description SizeFormat 
10564748.pdfDoctoral Thesis4.83 MBAdobe PDFView/Open
Show full item record



CORE Recommender

Page view(s)

60
checked on Apr 15, 2024

Download(s)

56
checked on Apr 15, 2024

Google ScholarTM

Check





Items in GCRIS Repository are protected by copyright, with all rights reserved, unless otherwise indicated.