钢筋混凝土黏结⁃滑移行为敏感性分析及机器学习模型

doi:10.12422/j.issn.1672-6952.2024.01.009

摘要/Abstract

摘要：

针对钢筋混凝土黏结?滑移行为，利用ABAQUS有限元软件，构建了基于内聚力模型的钢筋混凝土黏结?滑移有限元模型，通过能量和荷载?位移曲线探究了仿真模型网格敏感性以及内聚力参数敏感性。针对钢筋混凝土黏结强度问题，建立基于非线性自回归动态神经网络模型（NARX）的预测模型，以黏结长度、钢筋直径和加载方式为变量，建立20组数据对钢筋的荷载?位移曲线进行了预测。结果表明，当网格尺寸为6 mm时，可以较理想地平衡预测精度与计算成本；有限元预测结果对内聚力参数的敏感性由强到弱依次为损伤起始强度、断裂能和刚度；所建立的NARX预测精度达到99.6%，有潜力代替量大且耗时的数值模拟和物理试验，实现对钢筋混凝土黏结强度的高效准确预测，为钢筋混凝土黏结强度的预测和设计提供新的便捷途径。

关键词: 钢筋混凝土黏结?滑移行为, 内聚力参数, 网格尺寸, 敏感性分析, NARX

Abstract:

Aiming at the bond?slip behavior of reinforced concrete, the finite element model of reinforced concrete bond?slip based on cohesion model was constructed by ABAQUS finite element software. The mesh sensitivity and cohesion parameter sensitivity of the simulation model were explored by energy and load?displacement curves. Aiming at the problem of bond strength of reinforced concrete, a nonlinear autoregressive exogenous network (NARX) was developed to predict the load?displacement curve for reinforced concrete by creating 20 sets of data with the variables of bond length, reinforcement diameter, and loading method. The study shows that the mesh size of 6 mm provides an ideal balance between prediction accuracy and computational cost. Based on the sensitivity of the finite element prediction results, the cohesive parameters are in the sequence of damage initiation strength, fracture energy, and stiffness. The NARX with the prediction accuracy of 99.6% is promising to replace time?consuming numerical simulations and experimental works to achieve an efficient and accurate prediction of the bond strength of reinforced concrete. Such an efficient and accurate prediction method provides a novel and convenient methodology of predicting and designing the bond strength of reinforced concrete.

Key words: Reinforced concrete bond?slip behavior, Cohesive parameters, Mesh size, Sensitivity analysis, NARX

中图分类号:

TE832

李宏伟, 王文武, 贾冯睿, 苏昱太, 龙旭. 钢筋混凝土黏结⁃滑移行为敏感性分析及机器学习模型[J]. 辽宁石油化工大学学报, 2024, 44(1): 55-63.

Hongwei LI, Wenwu WANG, Fengrui JIA, Yutai SU, Xu LONG. Sensitivity Analysis and Machine Learning Model for Reinforced Concrete Bond⁃Slip Behavior[J]. Journal of Liaoning Petrochemical University, 2024, 44(1): 55-63.

图/表 13

图1 六面体内聚力单元

Fig.1 Hexahedral cohesive units

图2 双线型内聚力本构模型的损伤演化响应图

Fig.2 Damage evolution response diagram for the bilinear cohesive constitutive model

图3 拉拔试件示意图

Fig.3 Schematic diagram of pull?out specimen

图4 钢筋混凝土黏结?滑移模型

Fig.4 Reinforced concrete bond?slip model

表1 有限元模型中的材料参数

Table 1 Material parameters in the finite element model

参数	数值
参数	钢筋	混凝土
密度/（kg‧m^－3）	7 850	2 410
弹性模量×10^－4/MPa	20.50	3.21
泊松比	0.25	0.18
抗压强度/MPa		46.1
抗拉强度/MPa	1 617.9
伸长率/%	7.75

表2 有限元模型中的内聚力参数

Table 2 Cohesive parameters in the finite element model

参数	数值
法向刚度/（N‧m^－1）	3.0×10⁴
切向刚度/（N‧m^－1）	2.4×10⁴
抗拉强度/MPa	18
抗剪强度/MPa	22
断裂能/（N‧m^－1）	80

图5 钢筋混凝土黏结?滑移行为的荷载?位移曲线

Fig.5 Load?displacement of reinforced concrete bond?slip behaviour

表3 有限元模型单元信息及节点信息

Table 3 Information of element and node in the finite element models

方案

网格尺寸/

钢筋

单元数量

混凝土

单元数量

内聚力

单元数量

节点

数量

图6 钢筋混凝土黏结?滑移过程的荷载?位移曲线

Fig.6 Load?displacement curves for the reinforced concrete bond?slip process

图7 内聚力参数对荷载?位移曲线的影响

Fig.7 Effect of cohesive parameters on the load?displacement curve

图8 NARX动态神经网络流程图

Fig.8 Flowchart of the NARX dynamic neural network

图9 不同条件下有限元分析的钢筋荷载?位移曲线

Fig.9 Load?displacement curves by finite element simulations under different conditions

图10 NARX模型预测结果

Fig.10 Predicted results by the NARX model

参考文献 24

1	阚呈.油气管道隧道喷锚永久支护结构及其设计方法研究［D］.成都：西南交通大学，2016.
2	马国锐，刘永升，孙宇宸，等.海底单层管道铺管端部受力数值分析［J］.石油机械，2022，50（2）：66⁃73.
	MA G R，LIU Y S，Sun Y C，et al.Numerical analysis of stress on pipelaying end of subsea single⁃layer pipeline［J］.China Petroleum Machinery，2022，50（2）：66⁃73.
3	刘伟.油气公共管廊混凝土框架装配式螺栓连接关键技术研究［J］.工程建设与设计，2020（24）：161⁃162.
	LIU W.Research on the key technology of assembled bolt connection of concrete frame of oil and gas public pipe gallery［J］.Construction & Design for Engineering，2020（24）：161⁃162.
4	孙杨，乔国富.锈蚀钢筋与混凝土粘结性能研究综述［J］.材料导报，2020，34（3）：122⁃131.
	SUN Y，QIAO G F.Research on the bond properties between corroded reinforcing steel bar and concrete：A Review［J］. Materials Reports，2020，34（3）：122⁃131.
5	WANG X L，LIU Y Q，YANG F，et al.Effect of concrete cover on the bond⁃slip behavior between steel section and concrete in SRC structures［J］.Construction and Building Materials，2019，229：116855.
6	SUN Z Y，FENG D C，SUN Y L，et al.Bond⁃slip behavior of bundled steel/FRP bars and its implementation in high⁃fidelity FE modeling of reinforced concrete beams［J］.Construction and Building Materials，2021，286：122887.
7	ROLLAND A，ARGOUL P，BENZARTI K，et al.Analytical and numerical modeling of the bond behavior between FRP reinforcing bars and concrete［J］.Construction and Building Materials，2020，231：117160.
8	WANG Z H，LI L，ZHANG Y X，et al.Bond⁃slip model considering freeze⁃thaw damage effect of concrete and its application［J］.Engineering Structures，2019，201：109831.
9	郑山锁，杨路，姬金铭，等.冻融RC梁抗震性能与数值模拟方法［J］.振动工程学报，2021，34（5）：889⁃898.
	ZHENG S S，YANG L，JI J M，et al. Seismic behavior and numerical modelling method of RC beams subjected to freezing⁃thawing damage［J］.Journal of Vibration Engineering，2021，34（5）：889⁃898.
10	MUKHTAR F M，SHEHADAH M E.Experimental verification of 2⁃and 3⁃D numerical models for bond⁃slip behavior of CFRP⁃concrete［J］.Construction and Building Materials，2021，287：122814.
11	吴业飞，陈伟球.基于内聚力模型的FRP⁃混凝土粘结强度分析［J］.工程力学，2010，27（7）：113⁃119.
	WU Y F， CHEN W Q. Cohesive zone model based analysis of bond strength between FRP and concrete［J］.Engineering Mechanics，2010，27（7）：113⁃119
12	HE J，XIAN G J，ZHANG Y X.Numerical modelling of bond behaviour between steel and CFRP laminates with a ductile adhesive［J］.International Journal of Adhesion and Adhesives，2021，104：102753.
13	谢浩，陈思斌，黄永亮，等.基于内聚力模型的网格尺寸及参数敏感性研究［J］.山东大学学报（工学版），2021，51（6）： 111⁃118.
	XIE H， CHEN S B， HUANG Y L，et al. Meshsize and parameter sensitivity based on cohesive zone model［J］.Journal of Shandong University （Engineering Science），2021，51（6）：111⁃118.
14	牟晓光.高强预应力钢筋粘结性能试验研究及数值模拟［D］.大连：大连理工大学，2005.
15	RANKOVIC V，GRUJOVIC N，DIVAC D，et al.Development of support vector regression identification model for prediction of dam structural behaviour［J］.Structural Safety，2014，48：33⁃39.
16	OLALUSI O B，AWOYERA P O.Shear capacity prediction of slender reinforced concrete structures with steel fibers using machine learning［J］.Engineering Structures，2021，227：111470.
17	DAI L，WU X，ZHOU M R，et al.Using machine learning algorithms to estimate the compressive property of high strength fiber reinforced concrete［J］.Materials，2022，15（13）：4450.
18	宋启根.用有限元法探讨钢筋混凝土粘结试件［J］.南京工学院学报，1981（4）：100⁃115.
	SONG Q G. Study of reinforced concrete bond specimens by finite element method［J］.Journal of Nanjing Institute Eechnology，1981（4）：100⁃115.
19	CORNEC A，SCHEIDER I，SCHWALBE K H.On the practical application of the cohesive model［J］.Engineering Fracture Mechanics，2003，70（14）：1963⁃1987.
20	过镇海.钢筋混凝土原理［M］.3版.北京：清华大学出版社，2013.
21	雷进生，陈建飞，王乾峰，等.混凝土中锚杆锚固强度的SVM回归模型［J］.长江科学院院报，2015，32（1）：117⁃120.
	LEI J S，CHEN J F，WANG Q F，et al. Regression model of bolt anchoring strength in concrete based on SVM［J］. Journal of Yangtze River Scientific Research Institute，2015，32（1）：117⁃120.
22	RAI A，UPADHYAY S H.The use of MD⁃CUMSUM and NARX neural network for anticipating the remaining useful life of bearings［J］.Measurement，2017，111：397⁃410.
23	王婧慈，郭海敏，令狐松，等.多因素水淹强度指数在剩余油评价中的应用［J］.特种油气藏，2015，22（1）：103⁃106.
	WANG J C，GUO H M，et al. LING H S， Multi⁃factor water⁃out index application in residual oil evaluation［J］.Special Oil and Gas Reservoirs，2015，22（1）：103⁃106.
24	常亮，樊四良，郭丙君.一种BUCK变换器的滑模⁃通用模型控制器研究［J］.石油化工高等学校学报，2009，22（4）：95⁃98.
	CHANG L，FAN S L，GUO B J. A slide mode control⁃common model control controller for BUCK converter［J］.Journal　of Petrochemical Universities，2009，22（4）95⁃98. （编辑宋锦玉）

[1]	夏惠芳，李岩松，何国玺，韩东，郭强，梁立斌，梁博文. 成品油管道泄漏量测算误差及敏感性分析[J]. 辽宁石油化工大学学报, 2019, 39(3): 46-51.
[2]	张新春，杨理龙，杨海龙, 曾凡华. 甘谷驿油田唐80井区致密油储层敏感性实验分析[J]. 辽宁石油化工大学学报, 2018, 38(05): 43-49.