摘要

本研究旨在探討倒傳遞類神經網路預測鋼筋混凝土梁受純扭矩作用下之極限強度的可行性。

本研究根據以往已有之文獻的數據作為類神經網路訓練及測試用之
數據集，以八種與抗扭強度有關的參數作為類神經網路的輸入參數。

研究結果顯示：（1）以本研究採用之數據集而言，以規則化學習方法的N 8-5-1倒傳遞類神經網路模型為最能精確預測試體極限扭矩的模型；（2）本研究採用之N 8-5-1網路，其相對重要性的大小，依序為： （16.26%）、 （14.92%）、 （14.16%）、 （11.79%）、 （11.39%）、 （11.09%）、 （10.61%）及 （9.77%）；（3）訓練數據集之預測值的總和平方誤差，以類神經網路之誤差最小，軟化桁架模式次之而ACI 318-02規範之誤差最大；（4）當斷面為高鋼筋量的配置且混凝土強度為控制參數時，類神經網路可以準確預測試驗值，軟化桁架模式之預測值會隨混凝土強度變大而逐漸變高，但對高強度混凝土試體之誤差較大，ACI 318-02規範計算值無法反映出混凝土強度對抗扭強度之貢獻，且由於假設破壞時鋼筋均完全降伏，因此有高估試驗值的趨勢；（5）當斷面為低鋼筋量的配置且混凝土強度為控制參數時，類神經網路仍舊可準確預測試驗值，ACI 318-02規範之計算值因忽略混凝土強度之貢獻而低估試驗值。

none

參考文獻

1. Kasperkiewicz, J.; Racz, J.; and Dubrawski, A., “HPC Strength Prediction Using Artificial Neural Network,” Journal of Computing in Civil Engineering, ASCE , V. 9, No. 4, pp. 279-284, 1995.
2. Rahal, K. N., and Kiefa, M. A., “Neural Networks for Calculation of Shear Strength of Reinforced Concrete Beams,” Kuwait Journal of Science and Engineering, V. 26, No. 2, pp. 239-251, Feb. 1999.
3. Sanad, A., and Saka, M. P., “Shear Strength or Reinforced-Concrete Deep Beams Using Neural Networks,” Journal of the Structural Division, ASCE, V. 127, No. 7, pp. 818-828, July 2001.
4. Oreta, A. W. C., and Kawashima K., “Neural Network Modeling of Confined Compressive Strength and Strain of Circular Columns,” Journal of the Structural Division, ASCE, V. 129, No. 4, pp. 554-561, Apr. 2003.
5. Hadi, M. N. S., “Neural Networks Applications in Concrete Structures,” Computers & Structures, V. 81, No. 6, pp. 373-381, Mar. 2003.
6. Hsu, T. T. C., “Torsion of Reinforced Concrete,” Van Nostrand Reinhold Company, New York, pp. 205-280, 1984.
7. Hsu, T. T. C., “Unified Theory of Reinforced Concrete,” CRC Press, Boca Raton, 313 pp., 1993.
8. Mitchell, D., and Collins, M. P., “Diagonal Compression Field Theory －A Rational Model for Structural Concrete in Pure Torsion, ” ACI Journal, Proceedings V. 71, No. 8, pp. 396-408, July-Aug. 1974.
9. Hsu, T. T. C., “Softening Truss Model Theory for Shear and Torsion,” ACI Structural Journal, V. 85, No. 6, pp. 624-635, Nov.-Dec. 1988.
10. ACI Committee 318, “Building Code Requirements for Structural Concrete,” American Concrete Institute, Detroit, 353 pp., 1989.
11. 羅華強，「類神經網路: MATLAB的應用」，清蔚科技，新竹市（2001）。
12. 葉怡成，「類神經網路模式應用與實作」，儒林圖書有限公司，台北市，（2003）
13. Rumelhart, D. E.; Hinton, G.. E.; and Williams, R. J., “Parallel Distributed Processing,” M. I. T. Press, Cambridge, pp. 318-362, 1986.
14. MacKay, D. J. C., “A Practical Bayesian Framework for Backpropagation Networks,” Computation, V. 4, No. 3, pp. 448-472, 1992.
15. 許守良，「縱向鋼筋對高強度混凝土梁之扭矩強度影響之研究」，碩士論文，國立成功大學土木工程研究所，台南（1994）。
16. 許書閣，「高強度混凝土梁在純扭矩作用下之行為研究」， 碩士論文，國立成功大學土木工程研究所，台南（1994）。
17. 賴裕光，「鋼筋混凝土梁受純扭矩作用下剪力流有效厚度之研究」，碩士論文，國立成功大學土木工程研究所，台南（1999）。
18. 黃俊峰，「鋼筋混凝土矩型梁之抗扭矩分析-斜彎矩應力場模式」， 碩士論文，國立成功大學土木工程研究所，台南（2001）。
19. McMullen, A. E., and Rangan, B. V., “Pure Torsion in Rectangular Sections – A Re-Examination,” ACI Journal, Proceedings V. 75, No. 10, pp. 511-519, Sept.-Oct. 1978.
20. Baker, G.., and Rasmussen, L. J., “Torsion in Reinforced Normal and High-Strength Concrete Beams Part 1 : Experimental Test Series,” ACI Structural Journal, V. 92, No. 1, pp. 56-62, Jan.-Feb. 1995.
21. Hsu, T. T. C., “Torsion of Structural Concrete – Behavior of Reinforced Concrete Rectangular Members,” Torsion of Structural Concrete, SP-18, American Concrete Institute, Detroit, pp. 261-306, 1968.
22. Teh, C. I.; Wong, K. S.; Goh, A. T. C.; and Jaritngam, S., “Prediction of Pile Capacity Using Neural Networks,” Journal of Computing in Civil Engineering, ASCE, V. 11, No. 2, pp. 129-138, Feb. 1997.
23. Garson, G. D., “Interpreting Neural-Network Connection Weights,” AI Expert, pp. 47-51, Apr. 1991.
24. 呂卓穎，「類神經網路之探討與應用」，碩士論文，國立成功大學化學工程研究所，台南（1997）。