Sequential analysis: Optimization of substructure technique - minimization of differential column shortening and result approximation by ANN

Abstract

This thesis deals with sequential analysis coupled with an optimized substructure technique modeled on 3D-frame construction process. This model handles the hypothesis that any subpart of the entire structure can be constructed at a time. On a realistic 3D-frame building, permanent gravity load (dead load), variable gravity loads (construction load, live load) and non-gravity loads or effects (time dependence, temperature, and earthquake) are either applied sequentially or following the conventional method. Their individual contributions on bending moments, key of design, are investigated. To implement this analysis, some additional computational efforts can be justified. Though, an optimized procedure using substructure technique is proposed, based on a smart but simple choice of the substructure size. The proposed procedure intends to minimize the required memory used while reducing the required time as well. The sequential analysis as presented herewith reveals many salient features and more accurate results that should be employed in analyzing buildings, more so tall ones. However, in the preliminary design stage of a RC 3D-frame, repeated sequential analyses to determine optimal members’ sizes and the investigation of the parameters required to minimize the differential column shortening are computational effort consuming, especially when considering various types of loads such as those listed above. Because the desired accuracy at this stage does not justify such luxury, two back propagation feed forward artificial neural networks (ANN) have been proposed in order to approximate these information. Instead of using a commercial software package, many references providing advanced principles have been considered to code a program. The first designed ANN predicts the typical amount of time between two phases while performing sequential analysis, needed to achieve the minimum maximorum differential column shortening. The other aims to simulate sequential analysis results from those of simultaneous analysis. After the training phases, testing phases have been conducted in order to ensure the generalization ability of these respective systems. Numerical cases are studied to examine how good these ANN results match to the finite element method sequential analysis results. Comparison reveals an acceptable fit; enabling these systems to be safely used in the preliminary design stage.…………………………………………………………………………… ÖZ:Bu tez çalışması 3-boyutlu çerçevelerin yapım aşaması çözümlemesinin, yapısal bölümleme ile optimize edildiği bir analiz tekniğini içerir. Bu analiz modeli tüm yapının bir anda yüklenmesi yerine inşa edilme aşamalarına göre analizine dayanır. Gerçekci 3-boyutlu çerçevelere, kalıcı yerçekim yükü (ölü yük), değişken yerçekim yükleri (inşaat yükü, haraketli yük) ve diğer yükler ve etkiler (zamana bağlı, sıcaklık ve deprem) yapım aşamasına ve klasik yönteme göre uygulanmıştır. Bu analizlerin eğilme momenti ve tasarımdaki rolleri incelenerek karşılaştırılmıştır. Yapım aşaması analizinin uygulamasında optimizasyonu sağlamak için en uygun yapısal bölünme boyutu seçilmiştir. Böylece bigisayar çözümü için gerekli hafıza ve zaman minimize edilmiştir. Bu çalışmada sunulan örneklerle yapım aşaması analizinin önemi, daha doğru analiz sonuçları için gerekliliği, özellikle yüksek yapılarda öneminin daha da arttığı ispatlanmıştır. Ancak 3-boyutlu çerçevelerin ön tasarımı safhasında optimum eleman boyutlarını ve göreceli kolon kısalmalarını minimize etmek, tekrarlanan yapım aşaması analizlerinde, yukarıdaki yükler de düşünüldüğünde oldukça güçtür. Bu sebeple bu aşamada kesin sonuçlara gereksinim duyulmaması sebebi ile yapay sinir ağları (YSA) ile çok yakın sonuçları verecek iki ağ geliştirilmiştir. Hazır bir paket program kullanmak yerine, birçok güncel yayın taranarak gelişmiş yöntemleri içerecek şekilde bir program hazırlanmıştır. Birinci yapay sinir ağı iki yapım aşaması arasında minimum maksimorum göreceli kolon kısalmasını verecek süreyi hesaplamaktadır. Diğer yapay sinir ağı ise klasik analiz sonuçlarından, yapım aşaması analiz sonuçlarını türetmektedir. İlk önce bu iki yapay zeka sisteminin parametreleri vi saptanmıştır. Daha sonra bu parametre gurubunun doğru sonuçlar verip vermediği kontrol edilmiştir. Seçilen örneklerle yapay sinir ağları çözümlerinin sonlu elemanlar yapım aşaması çözümleriyle örtüştüğü ve ön tasarımda güvenlice kullanılabileceği ispatlanmıştır.