基于人工神经网络的钢筋混凝土柱逆向设计与优化

# 基于人工神经网络的钢筋混凝土柱逆向设计与优化 ## 1. 人工神经网络输入输出参数设定 在人工神经网络（ANN）的设计中，输入侧预先设定了一些参数。其中有三个逆向输入参数，分别是安全系数（SF）、钢材比率（ρs）和柱的高宽比（b/h），同时还有十个常规输入参数，如混凝土抗压强度（′fc）、钢筋强度（fyr）、钢材强度（fys）、轴力（Pu）、绕X轴和Y轴的弯矩（MuX、MuY）等。 在输出侧，会计算五个输出参数，包括竖向（Ys）和水平向（Xs）净距、钢筋（εr）和钢材（εs）应变、柱直径（Dr,max），以及三个设计目标，即成本指数（CIc）、二氧化碳排放量和柱重量（Wc）。 ## 2. 基于回代法（BS）的逆向设计优化 ### 2.1 BS方法步骤1的逆向设计情景 在BS方法的第一步逆向情景中，当预先设定13个设计参数时，会计算四个逆向输出，即柱高度（h）、柱宽度（b）、钢材截面的相关尺寸（hs和bs）。这13个设计参数包含三个逆向输入（SF、ρs和b/h）和十个常规输入。 在这个逆向情景中，安全系数为1.0，这使得设计荷载等于设计强度。同时，钢材比率（ρs）的最小值和最大值分别限制在0.01和0.08，钢筋比率对于SRC柱不能小于0.004，最大值限制在0.08。 ### 2.2 钢筋和钢材比率对设计的影响 通过改变钢筋比率（ρrX和ρrY）在0.003 - 0.09范围，钢材比率（ρs）在0.009 - 0.015范围，利用BS方法进行逆向设计，可以构建相关图表来分析其对设计的影响。 例如，在图中可以看到钢筋和钢材比率对最大钢筋直径（Dr,max）和柱尺寸（h和b）的影响。当安全系数（SF）和柱高宽比（b/h）都预先设定为1.0，H型钢截面的翼缘和腹板厚度都定义为8mm，混凝土抗压强度（′fc）为30MPa，钢筋强度（fyr）为500MPa，钢材强度（fys）为325MPa，轴力（Pu）为10,000kN，绕X轴弯矩（MuX）为5,000kN·m，绕Y轴弯矩（MuY）为7,000kN·m时： - 钢筋的有效范围是0.004 - 0.08，钢材比率应大于0.01。 - 当最小化成本指数（CIc）和二氧化碳排放量时，在图的左下角可以看到钢筋直径（Dr,max）为16mm，柱尺寸h = b = 1,503mm。此时，钢筋比率（ρrX和ρrY）和钢材比率（ρs）分别预先设定为0.002、0.002和0.01。 - 当最小化柱重量（Wc）时，在图的右上角钢筋直径（Dr,max）为63.5mm，柱尺寸h = b = 1,199mm。此时，钢筋比率（ρrX和ρrY）和钢材比率（ρs）分别预先设定为0.022、0.022和0.015。 ### 2.3 优化设计相关分析 #### 2.3.1 CIc和二氧化碳排放的优化设计 同样通过改变钢筋比率（ρrX和ρrY）和钢材比率（ρs），利用BS方法进行逆向设计，可以求解成本指数（CIc）、二氧化碳排放量和柱重量（Wc）。 当钢筋比率（ρrX和ρrY）和钢材比率在上述范围内变化，安全系数（SF）和柱高宽比（b/h）都为1.0时，成本指数（CIc）在钢筋比率（ρrX + ρrY）为0.004，钢材比率（ρs）为0.01时达到最小，为600,466 KRW/m；二氧化碳排放量在相同的比率下达到最小，为1.00 t - CO2/m。此时，柱宽度（b）和柱高度（h）达到最大，为h = b = 1,503mm。 #### 2.3.2 柱重量（Wc）的优化设计 当钢筋和钢材比率在相应范围内变化时，柱重量（Wc）在钢筋（ρrX和ρrY）和钢材（ρs）比率最大化时达到最小，为38.45 kN/m。此时，钢筋（ρrX + ρrY）最大化到0.044，最大钢筋直径为64mm，钢材比率（ρs）最大化到0.015。 ### 2.4 设计验证 通过BS方法获得的设计参数，利用结构力学进行验证，表明基于人工神经网络的设计具有较高的准确性。例如，在最小化CIc和二氧化碳排放量时，安全系数（SF）的误差为 - 0.73%；在最小化柱重量（Wc）时，安全系数（SF）的误差为 - 1.58%。 ### 2.5 三维交互图 根据最小化CIc和二氧化碳排放量、最小化柱重量（