Betonarme kirişlerin dış ardgerme uygulanarak rehabilitasyonu: Taşıma limit durumu için yapay zekâ tahmin modellerinin geliştirilmesi

Abstract

Beton rehabilitasyon konusu, mevcut yapıların performansının arttırılması ve korunmasına yönelik artan ihtiyaç nedeniyle son zamanlarda büyük ilgi ve önem kazanmıştır. Beton rehabilitasyonu için mevcut çeşitli teknikler arasında, ardgerme ile güçlendirme yöntemleri gibi aktif tekniklerin oldukça etkili ve pratik çözümler olduğu kanıtlanmıştır. En sık kullanılan ardgerme güçlendirme uygulamalarından biri, yapım kolaylığı ve düşük maliyet nedeniyle yapı üzerine dış ardgerme tendonlarının yerleştirilmesidir. Ardgerme ilkesi, betonun çekme gerilmelerine göre basınç karşısında daha dayanıklı olduğu temel kavramına dayanmaktadır. Bu nedenle, betonarme bir elemana ardgerme uygulanması, tendonlara çekme gerilimi vermeyi amaçlar, bu da dışarıdan yerleştirilen uç ankrajları ve deviatörler yoluyla beton elemana basınç gerilimi sağlar. Bu teknik, yapısal bütünlüğü güçlendirir ve elemanın yük taşıma kapasitesini artırarak beton rehabilitasyonu için güvenilir bir çözüm sunar. Dış ardgerme güçlendirme tekniklerinin esas olarak yüklemeye karşı malzeme tepkisi, yükleme sırasındaki geometrik bozukluklar ve bağlanmamış tendonlar ile beton deformasyonları arasındaki davranış farklılıkları nedeniyle çoklu doğrusal olmayan davranışlar sergilediğini vurgulamak önemlidir. Bu belirsizlikler, rehabilite edilen yapının sürdürülebilirliğini ve etkinliğini tehlikeye atabilir, bu da yapının amaçlandığı gibi çalışmayabileceği anlamına gelir. Sonuç olarak harici ardgermeli kiriş taşıma sınırına ulaştığında bağlanmamış tendonların gerilmesini tahmin etmek ve kirişin eğilme dayanımını belirlemek için çok sayıda çalışma yapılmıştır. Ancak hâlâ daha reasyonel, net ve işlevsel bir yaklaşımın geliştirilmesine ihtiyaç var. Bu nedenle bu araştırma, yapay zeka tekniklerini (AI), özellikle makine öğrenimi algoritmalarını kullanarak taşıma limitin tendon stresine ilişkin pratik bir tahmin modeli sunmayı amaçlamaktadır. Bu amaçla, makine öğrenimi tahmin modellerini geliştirmek için, bağlı olmayan dış ardgerme tendonlarıyla güçlendirilmiş 133 betonarme kirişten oluşan, literatürdeki 28 deneysel çalışmayı kullanarak kapsamlı bir bir veritabanı oluşturulmuştur. Bu veritabanı, dış ardgerme tendonlarıyla güçlendirilmiş 133 betonarme kirişten oluşmaktadır (kirişlerin 24'ü FRP tendonlarla güçlendirilmiş, diğer 109'u ise yüksek mukavemetli çeliktir). Ayrıca dört tasarım kodu modeli ve literatürde bulunan dört rasyonel model ile kritik kesit veya tüm eleman incelemelerine dayalı teorik analizlerle kapsamlı bir karşılaştırma yapılmıştır. Bu kapsamlı karşılaştırmaya dayanarak, bu araştırmada kullanılan topluluk öğrenme algoritmaları güvenilirliklerini göstermiş ve en yüksek dış ardgerme gerilmelere ilişkin tahmin modelleri oluşturmada diğer geleneksel modellerden daha iyi performans göstermiştir. Bu modeller yüksek doğruluk ve düşük hata yüzdeleri (R2>%90, MAE<100 MPa, RMSE<120 MPa, MAPE <%10) göstermiştir. Ek olarak, DBA tendonlarının efektif gerilimi ile birlikte tendon eksantriklik varyasyonlarının (özellikle dpm/eps oranı) etkisinin birçok makine öğrenimi tahmin modelinde etkili olduğu fark edilmiştir. Geleneksel modellerle ilgili olarak, koda dayalı tahmin modellerinin farklı düzeylerde konservatiftik sergilediği anlaşılmıştır (en büyüğü TS 3233 koduydu). Ayrıca, rasyonel modeller, yüksek mukavemetli çelik tendonlarla güçlendirilmiş kirişlerle karşılaştırıldığında, FRP tendonlarla güçlendirilen kirişlerin doğruluğunda önemli bir azalma olduğunu gösterdi. Bu nedenle, özellikle FRP tendonları için, bağlanmamış ardgerme tendonları ile dışarıdan güçlendirilmiş kirişler üzerinde daha fazla araştırma yapılması şiddetle tavsiye edilir. Önerilen makine öğrenimi tahmin modelinin performansının doğrulanmasının ardından, model, kompozit bir öngermeli I-kirişin moment kapasitesini tahmin etmek için pratik olarak uygulanmıştır. Öngermeli I-kirişi uç ankrajlar ve iki deviatör aracılığıyla harici tendonlarla güçlendirildi. Gerinim uyumluluk analizi, Washington Eyaleti Ulaştırma Bakanlığı tarafından belirtilen spesifikasyonlara uygun olarak moment kapasite analiz yöntemi kullanılarak gerçekleştirildi.