Einsatz von künstlichen neuronalen Netzwerken bei der Untersuchung von Stahlbetonrahmen mit Mauerwerksausfachung unter Horizontallast

Abstract

Stahlbetonskelettkonstruktionen mit Mauerwerkausfachungen erfreuen sich weltweit hoher Beliebtheit und sind zugleich häufig in erdbebenaktiven Regionen vorzufinden.Aufgrund der miteingehenden Risiken nahm die Erforschung von Ausfachungsmauerwerk in den letzten siebzig Jahren einen hohen Stellungswert in wissenschaftlichen Untersuchungen ein. Der Einfluss der Mauerwerksausfachung auf die Rahmenkonstruktion in mitten eines starken Erdbebenereignisses stellt ein hoch nichtlineares Problem dar. Die Nichtlinearität ist auf die Wechselwirkung zwischen dem nachgiebigen Stahlbetonrahmen und dem steifen Mauerwerksscheiben zurückzuführen, die sich an den horizontalen Lastabtrag der Erdbebenkräfte beteiligen. Trotz der intensiven Auseinandersetzungen mit dieser komplexen Problematik, besteht in der Wissenschaftsgemeinschaft derzeit kein Konsens hinsichtlich der Berücksichtigung dieses Einflusses. Dies spiegelt sich auch in dem Versäumnis der Europäische Norm Eurocode EN 1998-1:2013 wider, eine Berechnungsmethode für die explizite Berücksichtigung des Ausfachungsmauerwerkes in der Erdbebenbemessung zur Verfügung zu stellen. Im Rahmen dieser Arbeit wurde das Potenzial von Künstlichen Neuronalen Netzwerken (KNN) für das Vorantreiben der Forschung hinsichtlich der angeführten Problemstellung überprüft. Zu diesem Zweck wurden eine analytische Untersuchung mithilfe der Methode von Stafford Smith, B. und Carter, C. [17] und eine Untersuchung unter Einsatz eines KNN durchgeführt, um dasTragverhalten von mehreren ebene Stahlbetonrahmensystemen mit Mauerwerksausfachung zu bestimmen. Durch die aufgestellten Untersuchungen konnte festgestellt werden,dass das KNN in der Lage ist, das Tragverhalten des Ausfachungsmauerwerkes mit einer Genauigkeit von bis zu 88 % vorauszusagen. Somit können KNN einen wichtigen Beitrag zur Erforschung einer praxistauglichen Berechnungsmethode leisten, die den komplexen Einfluss der Mauerwerksausfachung auf die Rahmenkonstruktion erfasst und abbildet.

Reinforced concrete frame structures with masonry infill are very common worldwide and are also frequently found in earthquake-prone regions. Due to the associated risks,research on infill masonry has been of high importance within the scientific community for the last seventy years. The influence of masonry infill on the frame structure during the event of a strong earthquake is a highly nonlinear problem. The non-linearity is dueto the interaction between the flexible reinforced concrete frames and the rigid masonry infills, which participate in the horizontal load transfer of the seismic forces. Despite intensive studies on this complex issue, there is currently no consensus among researcherson how to account for this influence. This is also reflected in the failure of the European Standard Eurocode EN 1998-1:2013 to provide a calculation method for explicitly considering infill masonry in seismic design. This thesis examined the potential of Artificial NeuralNetworks (ANN) for advancing research on the aforementioned issue. For this purpose,an analytical analysis using the method of Smith, B. und Carter, C. [17] and ananalysis using an ANN were carried out to determine the load-bearing behaviour of several plane reinforced concrete frame systems with masonry infill. By comparing the results of these two analyses, it was found that the ANN can predict the load-bearing behaviour of infill masonry with an accuracy of up to 88 %. Hence, ANN can be used in further efforts of finding a practical calculation method that records and models the complex influenceof the masonry infill on the frame construction.