Artificial neural network model for deflection analysis of superelastic shape memory alloy reinforced concrete beams.

The need for a new model capable of accurately predicting the deflection of shape memory alloy (SMA) reinforced concrete (RC) beams is clear from the results obtained in the companion paper. In the present paper, artificial neural networks (ANNs) are utilized to develop such a model. The objective is to create a design tool for computing a reduction factor β to be used in the calculation of the effective moment of inertia for SMA RC beams. First, a database was developed using the results obtained from the parametric study reported in the companion paper. The main factors affecting the moment of inertia have been considered. The network architecture that results in the optimum performance was selected and trained. After demonstrating the network’s ability to predict output data for unfamiliar input data, the network was used to develop a design chart that provides the reduction factor β as a function of the reinforcement ratio and the reinforcement modulus of elasticity. A design example is discussed to illustrate the advantages of using the developed design chart over existing models. Le besoin d’un nouveau modèle pouvant précisément prédire la flexion de poutres en béton armé avec alliage à mémoire de forme (AMF) est clairement établi à partir des résultats obtenus dans l’article complémentaire. Dans le présent article, des réseaux de neurones artificiels sont utilisés pour développer un tel modèle. L’objectif est de créer un outil de conception pour calculer un facteur de réduction β qui sera utilisé dans le calcul du moment efficace d’inertie pour les poutres en béton armé avec alliage à mémoire de forme. Une base de données a tout d’abord été développée en utilisant les résultats obtenus lors de l’étude paramétrique et rapportée dans l’article complémentaire. Les principaux facteurs affectant le moment d’inertie ont été considérés. L’architecture de réseau qui génère le rendement optimal a été choisie et formée. Après avoir démontré la capacité du réseau à prédire les données produites pour des données d’entrée non familières, le réseau a été utilisé pour développer une courbe de conception fournissant le facteur de réduction β comme fonction du rapport d’armature et du module d’élasticité de l’armature. Un exemple de conception est abordé afin d’illustrer les avantages d’utiliser la courbe de conception développée par rapport aux modèles existants. [ABSTRACT FROM AUTHOR]