测定耐火砼偏心受压构件的钢筋混凝土柱使用模糊神经网络

文摘

人工神经网络与模糊逻辑的交互,遗传算法和模糊神经网络,是一个现代的跨学科领域,特别是在解决某些类型的工程问题不能解决使用传统的建模方法和统计方法。他们代表了现代趋势预测建模领域内的实际发展,与可接受的限制,享受一个公认的观点在施工中的应用。从数值分析结果,包括钢筋混凝土元素的行为分析和线性结构暴露的行为标准,用于预测模型的发展与应用的模糊神经网络。作为耐火直接影响结构、功能和安全的新方法的意义和计算工具对启用快速、简单,简单预测相同的是非常清楚的。本文将考虑的应用模糊神经网络建立预测模型确定钢筋混凝土柱砼偏心受压构件的耐火极限。

1。介绍

土木工程结构的耐火可以确定估计防火的基础上每个建筑元素(列,梁、板、墙、等等)。结构元素的耐火时间(分钟)从一开始的火元素,直到那一刻达到极限容量(极限强度、稳定性和可变形性)或直到元素失去绝缘及其分离函数(1]。耐火性的法定值可以通过应用各种措施(通过使用适当的形状和元素的尺寸和适当的静态系统,thermoisolation,等等)。应用保护措施的类型主要取决于类型的建筑材料,需要保护。不同的建筑材料(水泥、钢材和木材)升高的温度下有不同的行为。这就是为什么他们必须依法保护个人特征暴露在火(1]。虽然法定值耐火巨大重要的每一个工程结构的安全,在马其顿没有明确的具有法律约束力的防火规定。马其顿共和国的官方国家代码没有被升级,并建立新的代码仍然是一个持续的过程。此外,大多数的实验模型测定耐火极其昂贵,和分析模型相当复杂和耗时。现代类型的分析,如通过神经网络建模,可以是非常有用的,特别是在这些情况下,一些之前已经分析了。因此,应用人工神经网络和模糊预测建模的防火结构具有十分重要的意义,尤其是在土木工程结构的设计阶段。

模糊神经网络是典型的现代边缘学科,帮助解决不同的工程问题不能解决的,传统的建模方法(2- - - - - -4]。他们有能力收集、记忆、分析和处理大量的数据从一些实验或数值分析。训练模糊神经网络作为一种分析工具,准确的预测,对任何输入数据不包括在模型的训练和测试过程。他们的操作相当简单和容易,然而正确和精确。

利用模糊神经网络的概念和执行数值分析的结果作为输入参数,预测模型定义钢筋砼偏心受压构件的耐火列包含在墙壁和暴露标准火从一边。

本文研究的目标是建立一个预测模型可以为钢筋混凝土柱的耐火极限生成输出包含在墙壁,对于任何给定的输入数据,通过使用的结果进行数值分析。数值结果作为输入数据来创建和训练模糊神经网络,所以它可以提供精确的输出为钢筋砼偏心受压构件的耐火列其他输入数据(RC柱截面的不同尺寸,不同的混凝土保护层厚度,不同比例的强化,以及不同的负载)。

2。模糊神经网络:理论基础

模糊神经网络被定义为人工神经网络和模糊系统的结合,以这样一种方式,从神经网络学习算法用于确定模糊系统的参数。这种组合的一个最重要的方面是,系统总是可以使用“如果-那么”的解释规则,因为它是基于一个反映不确定的模糊系统/不清楚的知识。模糊神经网络使用语言知识的模糊系统和神经网络的学习能力。因此,模糊神经网络可以精确建模模棱两可,不精确,有额外的学习机会和不确定性的数据,神经网络的特征(3,5- - - - - -8]。

模糊神经网络是建立在一个常见的模糊逻辑与人工神经网络的概念,理论已经在列表的顶部的人工智能研究人员。模糊逻辑,基于枝模糊集的原理,提供了数学描述不确定性的潜力与认知过程相关联的思考和推理。这使得它可以得出结论即使不完整,不够精确的信息(所谓的近似的结论)。另一方面,人工神经网络的各种架构建立在人工神经元的概念已经开发作为一种模仿生物神经系统的成功的学习和识别功能的性能。预计这两个结构的融合神经网络的学习能力和计算能力将被传送到模糊系统,高效if - then模糊系统的思维将被转移到神经网络。这将使神经网络不仅仅是“黑盒”,而模糊推理系统将有机会自动调整参数(2,3,5- - - - - -8]。

根据不同的应用领域,开发了几种方法连接人工神经网络和模糊推理系统,这通常分为以下三组(3,5,7- - - - - -9]:合作模型,并发模型和集成(混合)模型。

合作模式的基本特征是,通过学习机制的人工神经网络,模糊推理系统的参数确定通过训练数据,使其快速适应手头的问题。神经网络用于确定隶属函数的模糊系统,模糊规则参数的权重系数,和其他必要的参数。模糊规则通常是决定使用集群访问(自组织),而隶属度函数是引起从使用神经网络训练数据3,5,7- - - - - -9]。

并发模型的特点是神经网络不断助攻的模糊推理系统确定和调整过程中必需的参数。在某些情况下,神经网络可以正确的输出结果,而在其他情况下,它纠正输入数据到模糊推理系统(3,5,7- - - - - -9]。

综合模糊神经网络,神经网络的学习算法用于确定模糊推理系统的参数。这些网络代表了现代类模糊神经网络的特点是一个均匀的结构,也就是说,它们可以被理解为神经网络由模糊参数(3,5- - - - - -9]。不同的混合模糊神经网络模型被开发出来,其中以下脱颖而出:猎鹰,简称ANFIS, GARIC, NEFCON,有趣,SONFIN,最好和EFuNN。

3所示。模糊神经网络的最先进的应用程序

在土木工程领域,经常模糊神经网络用于预测材料的行为和建设性的元素。这样的预后模型的主要目标是获得一个解决一个问题,预测(将输入变量映射到相应的输出值)。定性发展的有效的预测模型,有必要有一个数据组的数量。幸运的是,当涉及到土木工程,数据收集不是主要问题,提高应用创新技术和方法的可能性。模糊神经网络的一些成功应用的例子介绍了土木工程的各个领域在本文的以下部分4,5]。

模糊神经网络享受成功实现在土木工程项目管理。Boussabaine和Elhag10)开发了一种模糊神经网络预测施工工程的持续时间和成本。Yu和Skibniewski(1999)研究了模糊神经网络和遗传算法的应用在土木工程。他们开发了一种方法对经验数据的自动收集和检测因素影响建筑科技(11]。林等。12]成功地应用模糊神经网络的原则创建技术建模不确定性,风险,和主体性在选择承包商的施工工程。Ko和程13)开发了一个进化模糊神经推理模型,促进施工项目管理决策。他们测试这个模型使用几个实例:在施工工程分包商的选择和计算隔墙施工期间,一个活动,过度影响整个项目的完成。Jassbi和Khanmohammadi简称ANFIS应用于风险管理(14]。程等人提出了一种改进的混合模糊神经网络计算施工工程的初始成本15]。Rashidi et al。16)模糊神经系统适用于建设工程项目经理的选择。迈赫迪和雷扎17]分析了简称ANFIS来确定风险在建设项目中的应用,以及发展的智能系统的评估。冯和朱18)开发了一个模型的自组织模糊神经网络计算建设项目成本。Feylizadeh et al。19)的模糊神经网络模型用于计算施工工程完成时间和准确地预测不同情况。

模糊神经网络也用于分析结构元素和结构。Ramu矿和约翰逊应用集成神经网络和模糊逻辑的方法来评估复合结构的损伤(20.]。刘和卫国(2004)调查的应用模糊神经网络对桥梁的安全性评估(21]。Foncesa模糊神经系统用来预测和分类的行为梁加载与集中载荷22]。王旭和刘刚(23)进行了风险评估桥梁结构使用简称ANFIS。Jakubek [24]分析了应用模糊神经网络建模的建筑材料和结构的行为。研究包含三个问题的分析:预测裂缝的混凝土在疲劳、高性能混凝土强度的预测,预测钢筋混凝土柱砼偏心受压构件的临界轴向压力。Tarighat [25)开发了一个模糊神经系统评估风险和损害桥梁结构,重要的信息可以被预测的相关设计方案对桥的影响恶化。默罕默德(26]分析了应用模糊神经网络来预测钢丝网水泥元素和混凝土梁的抗剪强度钢筋与纤维增强聚合物磁带。

Cuneyt艾登等人建立了一个预测模型计算弹性模量为正常的水坝和高强度的帮助下大坝简称ANFIS [27]。Tesfamariam和Najjaran简称ANFIS模型应用于计算混凝土的强度(28]。Ozgan et al。29日开发了一个自适应模糊神经系统(简称ANFIS) Sugeno类型预测沥青混凝土的刚度参数。

崔和亚伯拉罕的状态评估污水管道使用模糊神经方法(30.]。埃德里,江4)开发了一种模糊中性模型计算的能力工作区域附近的高速公路。Nayak等人土壤和结构的连接和交互建模与模糊神经网络的帮助。Nayak et al。31日简称ANFIS)应用于河流的水文建模,即预测的时变数据系列。

曹和田提出的简称ANFIS模型预测工业用水的需求(32]。陈和李为河水的质量评估模型使用模糊神经网络方法[33]。F.-J。Chang和Y.-T。常应用于混合模糊神经的方法构造一个系统预测的水库水位(34]。更准确地说,他们开发了一种预后简称ANFIS模型管理积累,而获得的结果表明,它可以成功地应用于精确、可靠,预测水库的水位。建平et al。(2007)开发了一种改进的模糊神经网络模型的分析和变形监测大坝的转变。Hamidian和Seyedpoor使用模糊神经网络的方法来确定拱坝的最佳形状,以及预测的一种有效应对地震的影响(35]。Thipparat和Thaseepetch Sugeno类型的简称ANFIS模型,评估结构的可持续性高速公路以获得关于环境保护的相关信息(36]。

增加兴趣模糊神经网络应用于土木工程中可以看到过去的几十年里。全面审查的科学论文阐述了在这个问题上发表在科学期刊从1995年到2017年表明,模糊神经网络主要是用来解决的几类问题:建模和预测,计算和评估,决策。进行分析的结果说明应用此创新技术的效率和实用性对管理模式的发展,决策和评估规划和实施建设工作时遇到的问题。他们成功实现代表一个支柱为未来的研究在上述类别,虽然未来应用模糊神经网络可以扩展到其他领域的土木工程。

4所示。预后模型钢筋砼偏心受压构件的耐火混凝土柱使用模糊神经网络

偏心载荷列最常被视为最后列在框架结构,并插入单独的隔断墙结构从周围环境或在火灾条件下分离防火分区。这些类型的列的行为,当暴露于火,和特殊因素对他们的影响的分析分析了耐火在文献[37,38]。

数值分析进行了钢筋混凝土柱(图1)遇到火灾ISO 834标准27]。由于轴向对称,只有一半的截面进行了分析37,38]。以下分析了输入参数:横截面的尺寸,初始载荷的强度,混凝土保护层的厚度,钢筋的比例,和具体的类型(硅质或碳酸盐)。输出分析结果是耐火的时间表达的时间(37,38]。

数值分析的结果(37)被用来创建一个预后模型确定钢筋混凝土柱砼偏心受压构件的耐火极限的防火分隔墙。

模糊神经网络的应用程序测定钢筋砼偏心受压构件的耐火混凝土柱下面了。

开发使用的预后模型自适应模糊神经networks-ANFIS MathWorks软件使用一个集成的模糊逻辑工具箱模块(39]。

简称ANFIS代表了一种自适应模糊神经推理系统。这种技术的优点是,隶属度函数的输入参数自动选择使用neuroadaptive培训技术纳入模糊逻辑工具箱。这种技术可以让学习的模糊建模过程的数据。这就是参数的隶属度函数计算的模糊推理系统最佳表达输入-输出数据组(39]。

简称ANFIS代表了一种模糊神经组成的前馈网络神经元和连接神经元的直接联系。简称ANFIS模型与知识生成数据使用典型的人工神经网络算法。这个过程是使用模糊规则。本质上,神经网络结构在几层输入数据和模糊规则生成。类似于模糊逻辑,最终的结果取决于给定的模糊规则和隶属度函数。简称ANFIS体系结构的基本特征是,部分或全部的神经元是灵活的,这意味着它们的输出取决于系统参数,和训练规则确定这些参数是如何改变为了最小化规定的误差值(40]。

简称ANFIS架构包括5层,如图2(3,5- - - - - -7,40]。

第一层(输入)的模糊神经网络用于输入数据转发给下一层(3,5- - - - - -7,40]。

网络的第二层(第一隐层)为输入变量的模糊化服务。这一层中的每个神经元代表的功能: ,在那里表示进入神经元和表示语言值。实际上是一个隶属函数表示有多少入口满足一个量词 。这一层的参数表示的参数模糊规则前提(3,5- - - - - -7,40]。

第三层(第二个隐藏层)的网络由规范操作符的计算模糊规则前提。神经元被表示为 ,代表所有输入信号的产品名称: 。从这一层每个神经元建立模糊规则的规则力量(3,5- - - - - -7,40]。

第四个网络层(第三个隐层)规范化规则的力量。在每一个神经元,规则之间的关系强度相关的规则和力量的总和计算: (3,5- - - - - -7,40]。

确定后续的过程参数(结论)进行模糊规则在第五层隐藏(第四层)。每个节点从这一层是一个广场(适应性)节点的功能 ,{ }参数和结论前一层的输出。

输出层包含一个神经元用这封信由于求和函数。它计算的总输出作为输入信号的总和,在前提参数的函数和模糊规则的结论: (3,5- - - - - -7,40]。

对于一个模糊神经网络组成的(图2输入变量和模糊规则2),总产出将会计算如下(3,5- - - - - -7,40]: 在哪里 的数值输入模糊神经网络,数值模糊神经网络的输出, 模糊规则的规范化规则的优点是表达了通过模糊规则前提下,然后呢 的参数是模糊规则的结论。

简称ANFIS训练算法包括两个部分:反向传播方法(反向传播算法),这决定了错误的变量从一个递归路径,从输出到输入层,确定变量错误,也就是说,参数的隶属函数和最小二乘法确定最优的参数集。的每一步训练过程由两部分组成。在第一部分中,输入数据传播和最优的参数估计使用迭代least-mean-square方法,而模糊规则前提参数假定为固定通过训练集当前周期。在第二部分,输入数据再次传播,但在这个过程中,反向传播算法用于修改前提参数而随之而来的参数保持不变。这个过程是迭代3,5- - - - - -7,40]。

简称ANFIS的成功应用过程中解决具体问题的任务,必须具备扎实的专业知识问题和适当的经验。这使一个正确和准确的输入变量的选择,也就是说,不必要的复杂模型通过添加无意义的变量,或不包括重要参数对输出值有显著影响,是可以避免的。

模糊神经网络技术的应用程序进行建模过程的几个步骤(39,41]:组装和处理数据,确定模糊神经网络的参数和结构(创建模糊推理系统),训练模糊神经网络和测试模糊神经网络,预测。

为目的的预后模型钢筋砼偏心受压构件的列,模糊神经网络的结构由6个输入变量(钢筋混凝土柱的尺寸(和)、混凝土保护层厚度()、钢筋比例(),轴向载荷系数()、弯矩系数(),和一个输出变量(钢筋混凝土柱的耐火())。

最重要的一个方面,当使用模糊神经网络作为预测建模技术,收集准确、适当的数据集。数据必须包含一个有限数量的设置,每个数据集定义了一个精确的输入和输出值。另一个非常重要的方面是有大量的数据集。数据集被分成两个主要团体:数据用于训练模型和数据用于测试模型的预测精度。训练数据应包含所有必要的代表特征,那么选择一个数据集的过程检查或测试变得更加容易。模型构造使用自适应技术面临的一个问题是选择一个数据集的代表数据训练模型的目的是模仿,但足够的训练数据集,以免使验证过程简单。为实际设计一个简称ANFIS系统问题,有必要选择的参数训练过程。必须有适当的训练和测试数据集。如果数据集选择不当,那么测试数据集不会验证模型。如果测试数据集是完全不同的从训练数据集,然后模型不能捕获任何特性的测试数据。 Then, the minimum testing error can be achieved in the first epoch. For the proper data set, the testing error decreases with the training proceeding until a jump point. The selection of data sets for training and testing of the ANFIS system is an important factor affecting the performance of the model. If the data sets used for testing is extremely different from one of the training data sets, then the system fails to capture the essential features of the data set. Another aspect that has to be emphasized is that all data sets have to be properly selected, adequately collected, and exact. The basic characteristic of all computer programs used for calculation and modeling applies for the neural networks as well: only quality input can give a quality output! Even though neural networks represent an intelligent modeling technique, they are not omnipotent, which means that if the input data sets are not clear and correct, the neural network model will not be able to produce accurate output results.

一组训练数据最初是用来创建一个模型结构(39]。发达的训练过程是一个学习的过程模型。模型训练直到获得的结果误差最小。在学习过程中,隶属度函数的参数更新。在MATLAB中,两个简称ANFIS混合参数优化方法(最小二乘和反向传播方法)和反向传播。错误宽容作为停止准则培训,相关误差的大小。培训后的培训将停止数据误差仍然在这个公差。训练误差的区别是训练数据的输出值和模糊推理系统的输出对应于相同的训练数据输入值(与训练数据输出值)。

用于检查和测试的数据组的模型也称为验证数据和用于检查的功能泛化模型在训练(39]。模型验证是一个过程的输入数据集的FIS不训练了FIS训练模型,性能。简称ANFIS模型的验证过程是由泄漏向量的输入-输出测试数据到模型(数据不属于培训组),以验证的准确性预测输出。测试数据被用来验证模型。测试数据集用于检查简称ANFIS模型的泛化能力。然而,它是可取的提取另一组输入输出数据,也就是说,检查数据,为了避免“过度拟合的可能性。“使用检查数据背后的想法源于一个模糊神经网络,经过一定数量的训练周期,是“训练过度,”这意味着模型实际预期的输出数据而不是副本,为训练数据提供伟大的预言只有。在这一点上,检查数据的预测误差开始增加时,应表现出下降的趋势。训练网络测试与检查数据和参数选择隶属度函数的最小错误。这些数据控制这种现象通过调整简称ANFIS参数,目的是实现最少的错误预测。 However, when selecting data for model validation, a detailed database study is required because the validation data should be not only sufficiently representative of the training data but also sufficiently different to avoid marginalization of training [39,41]。

尽管有许多全球出版研究调查的影响的比例数据用于各种神经网络模型子集,没有明确的比例之间的关系数据进行训练,测试和验证,模型的性能。然而,许多作者建议时可以获得最好的结果20%的数据用于验证和剩下的培训数据分为70%和30%进行测试。训练和测试数据集的数量很大程度上取决于数据集的总数。所以,真正的训练和测试数据集分配与实际情况密切相关,问题的细节,和数量的数据集。没有严格的规则对于数据集划分,所以当使用自适应建模技术,是非常重要的知道如何数据集描述问题的特性和有一个体面的经验和知识对神经网络(42,43]。

数据库用于简称ANFIS建模,本文提供的模型,通过输入和输出变量来表达,从数值分析得到。398投入产出数据进行了分析,其中318系列(80%)用于网络培训,和80系列(20%)数据为测试模型。输出的预测结果是新27个数据集上执行。这三个数据组加载到简称ANFIS给出数据3- - - - - -5。

准确和可靠的预测钢筋砼偏心受压构件的耐火混凝土柱,不同的简称ANFIS模型进行了分析与应用程序的减法聚类方法和混合训练模式。

模糊神经网络训练的过程涉及到调整隶属度函数的参数。培训是一个迭代过程进行模糊神经网络训练数据集(39]。训练过程结束时的两个定义的标准已经满足;这些错误容忍比例和迭代次数。为分析在这个研究中,这些标准的值是0错误宽容和100的训练迭代次数。

训练过程完成后生成的简称ANFIS模型,有必要使用数据集定义验证模型进行测试和检查(39,44:使用验证数据训练模型测试,获得的平均误差和估计的输出值进行了分析。

最后阶段的建模使用模糊神经网络预测输出和检查模型的预测精度。为此,通过网络输入数据生成输出结果(39,44]。如果低价值的平均错误取得了在模糊神经网络的测试和验证过程,然后很肯定,简称ANFIS模型训练和验证可以申请高质量和精确的预测输出值。

对于本文中给出的案例分析,确定最优简称ANFIS模型通过分析各种模糊神经网络结构通过不同的以下参数:半径的影响(值从0.6到1.8)和压实的因素(值间隔从0.45到2.5)。共同接受率和相互抑制比固定值基于MATLAB中定义的标准值,总计0.5和0.15 (39]。一个特定的模糊神经网络模型,用指定根据参数值,创建为每个这些参数的组合。参数的最佳组合是由行为的分析预测模型,通过比较获得值平均误差检测和预测输出值。通过对结果的分析,可以得出的结论是,平均误差的最小值预测钢筋混凝土柱砼偏心受压构件的耐火极限是获得使用FIS11110模型与高斯隶属函数(gaussMF)输入变量和线性输出函数,与8模糊规则。模型试验期间平均误差为训练数据是0.319,0.245 0.511测试数据和验证数据。

图6给出了采用的体系结构的图形表示简称ANFIS模型,由6个输入变量定义为高斯隶属度函数和1个输出变量。

简称ANFIS模型的训练与318年进行的输入-输出数据组。图形表示形式分析了钢筋混凝土柱的耐火通过数值分析(37)和获得的预测值FIS11110预后模型训练数据在图给出7。

它可以得出结论,简称ANFIS预测模型提供了优秀的训练结果相当准确地预测分析钢筋混凝土的耐火时间,属于大小间隔的输入数据网络培训——培训案例分析了318个。发生在测试的平均误差网络使用训练数据是0.319。

简称ANFIS模型的测试进行了使用80输入/输出数据集。一个图形表示实际值和预测值的比较分析了钢筋混凝土柱的耐火测试数据集,提出了数字8。

数据7和8展示一个优秀的匹配预测简称ANFIS模型中获取的值与实际值通过数值分析(37]。发生在测试的平均误差的模糊神经网络使用测试数据是0.511。

图9介绍了模糊规则,作为模糊逻辑工具箱的一部分计划,训练有素的FIS11110简称ANFIS模型。图中的每一行对应一个模糊规则,以及输入和输出变量是次级的列。输入新值为输入变量自动生成输出值,这很简单预测分析钢筋混凝土柱耐火。

简称ANFIS模型的精度验证使用27输入-输出数据组(检查数据),这也代表了一种模糊神经网络的预测,因为他们不习惯在网络的训练和测试。获得的预测值为耐火分析钢筋混凝土列展示在表1。的图形表示比较实际值(数值分析得到的37])和预测价值(通过简称ANFIS模型FIS11110)钢筋砼偏心受压构件的耐火混凝土柱在火灾中分隔墙呈现在图10。

分析的价值分析钢筋砼偏心受压构件的耐火混凝土柱显示预后模型与模糊神经网络提供了一种精确和准确的预测输出结果。获得的平均平方误差预测输出结果时使用模糊神经网络(简称ANFIS)是0.242。

这项研究表明,这种预后模型使操作简便测定耐火砼偏心受压构件的钢筋混凝土柱在火灾中分隔墙,与任何尺寸和特征。

基于从数值分析结果的比较,结果从预后模型由模糊神经网络,它可以得出结论:模糊神经网络代表了一个很好的工具,它用于确定(预测)耐火分析列。预后模型分析列时尤其有用,没有(或不足)以前的数值实验和/或导出数据,并快速估计其耐火性是必要的。训练模糊神经网络提供高质量和精确的结果输入数据不包括在培训过程中,这意味着预计预测模型可用于估算钢筋混凝土柱的尺寸和特征(中心的负载)。正是这种积极的事实充分证明的实现更详细和广泛研究的应用设计的模糊神经网络预测模型,可以用来估计不同的参数在建筑业。

5。结论

预后模型基于流行的软计算方法之间的联系,如模糊神经网络,用积极的神经网络和模糊系统的特点。与传统的预测模型,准确地说,工作肯定,显然,模糊神经模型能够准确使用公差,不确定性和模糊性。简称ANFIS的成功等方面给出指定分配推理规则库中存储,有效的学习算法来调整系统的参数,或者通过自己的学习能力以适应不规则或非周期的时间序列。简称ANFIS是技术嵌入自适应网络的模糊推理系统框架。简称ANFIS从而吸引两安和模糊技术的好处在一个单一的框架。之一,简称ANFIS方法在模糊系统的主要优势是,它可以消除的基本问题获得一组定义隶属函数参数和模糊if - then规则。安的学习能力是用于自动模糊if - then规则生成简称ANFIS和参数优化。简称ANFIS的主要优势是非线性和结构化知识表示。研究和应用程序明确表示,神经模糊神经网络和模糊混合动力系统是有益的在现有算法的适用性等领域人工神经网络(ann),并直接适应知识的一组模糊语言规则。混合智能系统在数据建模是一个最好的解决方案,它能够推理和学习在一个不确定和不精确的环境。 It is a combination of two or more intelligent technologies. This combination is done usually to overcome single intelligent technologies. Since ANFIS combines the advantages of both neural network and fuzzy logic, it is capable of handling complex and nonlinear problems.

模糊神经网络的应用,作为一种非传统的方法,预测的防火结构元素有巨大意义的现代化建筑设计流程。大部分的实验模型的确定耐火极其昂贵,和分析模型相当复杂和耗时。这就是为什么现代类型的分析,如通过模糊神经网络建模可以帮助,尤其是在这种情况下,一些之前已经分析了。

介绍一些积极方面的应用程序测定钢筋砼偏心受压构件的耐火列暴露标准火从一边。横截面尺寸的影响,混凝土保护层厚度、钢筋比例,应用负荷的强度,分析了钢筋砼偏心受压构件的耐火列使用程序。进行数值分析的结果作为输入参数用于培训的简称ANFIS模型。获得的输出表明,简称ANFIS模型能够预测分析钢筋混凝土柱的耐火。

从本研究结果证明模糊神经网络的成功应用的容易和简单的解决实际复杂的问题领域的建设。结果,以及上述结论考虑,强调效率和实用性的应用管理模式的发展,这种创新的技术决策,评估过程中遇到的问题/工作规划和实施的建设项目。

基本方法基于模糊神经网络的应用使先进的和成功的钢筋混凝土柱的耐火极限建模嵌入式防火分隔墙,一侧暴露于火,从而克服缺陷的典型传统的数学建模方法。

数据可用性

使用的数据来支持本研究的发现可以从相应的作者。

的利益冲突

作者宣称没有利益冲突。

引用

1. EN1994-1-2,Eurocode 4 -复合钢和混凝土结构的设计,1 - 2部分:一般规则——结构火灾设计欧洲标准化委员会,管理中心,2005年。
2. 答:亚伯拉罕和b纳”,去噪方法造型电力需求在维多利亚,”应用软计算,1卷,不。2、127 - 138年,2001页。视图:出版商的网站|谷歌学术搜索
3. 答:亚伯拉罕,“神经模糊系统:先进的建模技术,”联结主义模型的神经元,学习过程和人工智能、j·米拉和a -普列托Eds。,Lecture notes in Computer sciences, pp. 269–276, Springer-Verlag, Germany, 2001.视图:谷歌学术搜索
4. h·埃德里江x,“高速公路工作区域能力评估、神经模糊逻辑模型”交通运输工程学报,卷129,不。5,484 - 493年,2003页。视图:出版商的网站|谷歌学术搜索
5. 答:亚伯拉罕,是时候Fuzzify神经网络!(教程)智能多媒体和远程教育国际会议上,法戈,美国,2001年。
6. d·富勒神经模糊系统Abo血型学会大学,1995。
7. m·f·阿兹Ed。模糊推理系统理论和应用程序,2012年InTechOpen。视图:出版商的网站
8. n . k . Kasabov”基金会的神经网络、模糊系统和知识工程”布拉德福德的书剑桥,麻省理工学院出版社,伦敦,英国,1998年。视图:谷歌学术搜索
9. 答:亚伯拉罕和m . r .汗,“神经模糊智能能源管理范式,”联结主义模型的神经元,学习过程和人工智能、j·米拉和a -普列托Eds。,Lecture notes in Computer sciences, Springer-Verlag Berlin Heidelberg, 2004.视图:谷歌学术搜索
10. a . h . Boussabaine和t . m . s . ElhagNeurofuzzy模型预测建设项目的成本和时间皇家特许测量师学会,1997年。
11. s . s . h . Yasrebi和m . Emami”,应用人工神经网络(ann)在预测和压力表检测结果的解释,”第12届国际会议的国际协会计算机方法和地质力学的进步(IACMAG),页1634 - 1638,印度,2008。视图:谷歌学术搜索
12. k.c. Lam t, s .托马斯·Ng m . Skitmore和s . o .张“模糊神经网络方法对承包商资格预审”,施工管理和经济学,19卷,不。2、175 - 188年,2001页。视图:出版商的网站|谷歌学术搜索
13. c . h . Ko和m . y . Cheng“混合使用人工智能技术在发展中施工管理工具,”自动化建设,12卷,不。3、271 - 281年,2003页。视图:出版商的网站|谷歌学术搜索
14. j . Jassbi和s . Khanmohammadi组织风险评估使用自适应神经模糊推理系统,2009年IFSA-EUSFLAT。
15. M.-Y。程,H.-C。蔡,学术界。Ko, W.-T。常,“进化模糊神经推理系统在岩土工程决策,”计算机在土木工程杂志》上,22卷,不。4、272 - 280年,2008页。视图:出版商的网站|谷歌学术搜索
16. a . Rashidi f . Jazebi, i Brilakis”Neurofuzzy遗传系统选择的施工项目经理,”建筑工程与管理》杂志上,卷137,不。1、17 - 29,2011页。视图:出版商的网站|谷歌学术搜索
17. 迈赫迪和g . Reza”风险评估使用基于网络的自适应模糊系统的建设项目,“国际学术研究杂志》上,3卷,不。1,p。411年,2011。视图:谷歌学术搜索
18. w·f·冯和w·j·朱SOFM的应用模糊神经网络在项目成本估算,“软件学报》第六卷,没有。8,1452 - 1459年,2011页。视图:出版商的网站|谷歌学术搜索
19. m·r·Feylizadeh A Hendalianpour, m . Bagherpour”一个模糊神经网络估计完成建设项目的成本,”国际期刊的工业工程计算,3卷,不。3、477 - 484年,2012页。视图:出版商的网站|谷歌学术搜索
20. Ramu矿和v . t . s . a . Johnson”复合结构损伤评估的模糊逻辑神经网络集成方法,”计算机与结构卷,57号3、491 - 502年,1995页。视图:出版商的网站|谷歌学术搜索
21. m . y . Liu和y卫国”,研究大跨度钢管混凝土拱桥的安全性评估基于模糊神经网络,”中国的高速公路和运输》杂志上卷,4 p。012年,2004年。视图:谷歌学术搜索
22. e . t . Foncesa神经模糊系统钢梁补丁负荷预测第五次国际会议上混合智能系统,2005年。
23. b .王、刘x和c罗,研究基于模糊神经网络的桥梁的安全性评估第二国际研讨会,网络和网络安全,中国,2010。
24. m . Jakubek”模糊神经网络分析的混凝土重量标本和R / C柱屈曲测试,”计算机辅助工程和科学的方法,18卷,不。4、243 - 254年,2017页。视图:谷歌学术搜索
25. a . Tarighat“模糊推理系统作为管理工具的混凝土桥梁,”模糊推理系统理论和应用程序m·f·阿兹,Ed IntechOpen, 2012。视图:出版商的网站|谷歌学术搜索
26. m·a·Mashrei”、神经网络和自适应神经模糊推理系统应用于土木工程的问题,”模糊推理系统理论和应用程序,2012年IntechOpen。视图:出版商的网站|谷歌学术搜索
27. a . Cuneyt艾登、a . Tortum和m .•“预测混凝土的弹性模量采用自适应神经模糊推理系统,”土木工程和环境系统,23卷,不。4、295 - 309年,2006页。视图:出版商的网站|谷歌学术搜索
28. Tesfamariam和h . Najjaran“适应性network-fuzzy推测估计使用混合料配合比设计,混凝土强度”土木工程材料》杂志上,19卷,不。7,550 - 560年,2007页。视图:出版商的网站|谷歌学术搜索
29. e . Ozganİ。Korkmaz, m . Emiroğlu“自适应神经模糊推理方法预测沥青混凝土的刚度模量,”工程软件的进步,45卷,不。1,第104 - 100页,2012。视图:出版商的网站|谷歌学术搜索
30. Chae m·j·d·m·亚伯拉罕”,去噪方法卫生下水道管道条件评估,”计算机在土木工程杂志》上,15卷,不。1,学报》第4 - 14页,2001。视图:出版商的网站|谷歌学术搜索
31. p c . Nayak k . p . Sudheer d . m . Rangan和k . s . Ramasastri”对水文时间序列建模的神经模糊计算技术,”《水文,卷291,不。1 - 2日,52 - 66年,2004页。视图:出版商的网站|谷歌学术搜索
32. 曹和l .田”,应用自适应模糊神经网络对工业用水量预测,“安徽理工大学和科学杂志》上,3卷,2005年。视图:谷歌学术搜索
33. 郑胜耀陈和y . w . Li“水质评价基于模糊人工神经网络,”水科学进展,16卷,不。1,第91 - 88页,2005。视图:谷歌学术搜索
34. F.-J。Chang和Y.-T。常”,自适应神经模糊推理系统在水库水位预测,“水资源的进步卷,29号1、1 - 10,2006页。视图:出版商的网站|谷歌学术搜索
35. d . Hamidian和s . m . Seyedpoor”形状的拱坝优化设计使用一种自适应神经模糊推理系统和改进的粒子群优化,“应用数学建模,34卷,不。6,1574 - 1585年,2010页。视图:出版商的网站|谷歌学术搜索
36. t . Thipparat和t . Thaseepetch应用神经模糊系统评价高速公路设计的可持续性,”现代工程研究的国际期刊,卷2,不。5,4153 - 4158年,2012页。视图:谷歌学术搜索
37. m . Cvetkovska非线性应力应变行为的钢筋混凝土平面框架结构暴露于火元素,博士论文土木工程学院在斯科普里,“Sts西里尔和Methodius”大学,马其顿,2002。
38. m . Lazarevska m . Kneževićm . Cvetkovska n . Ivaniševićt . Samardzioska和a . t . Gavriloska“钢筋混凝土柱耐火预后模型。”Građevinar,卷64,p . 2012。视图:谷歌学术搜索
39. http://www.mathworks.com/products/fuzzy-logic/。
40. js。r .张成泽“简称ANFIS: adaptive-network-based模糊推理系统,”IEEE系统,人,控制论,23卷,不。3、665 - 685年,1993页。视图:出版商的网站|谷歌学术搜索
41. j .关、j . Zurada和s . Levitian”基于自适应神经模糊推理系统的房产评估方法,”房地产研究杂志》上,30卷,不。4、395 - 421年,2008页。视图:谷歌学术搜索
42. h·埃德里,“神经网络在土木工程:1989 - 2000,”计算机辅助土木与基础设施工程,16卷,不。2、126 - 142年,2001页。视图:出版商的网站|谷歌学术搜索
43. e . b . Baum和d . Haussler大小净给有效推广什么?”神经计算,1卷,不。1,第160 - 151页,1989。视图:出版商的网站|谷歌学术搜索
44. m . Neshat A阿德拉,A Masoumi和m . Sargolzae”简称ANFIS和模糊专家系统模型进行比较研究,对混凝土混合料配合比设计,“国际计算机科学杂志》上的问题,8卷,不。2、196 - 210年,2011页。视图:谷歌学术搜索

版权

版权©2018 Marijana Lazarevska等。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。