Improving the Ductility of Concrete Beams Reinforced with Topologically Optimized Steel
Notice bibliographique
Résumé
To address the sustainability challenges faced by concrete structures, various attempts have been made to optimize the reinforcement layout with a topologically optimized strut-and-tie model (STM). However, most studies have focused on theoretical discussions and the few available experimental studies have only discussed the prepeak behavior of optimized beams. The postpeak behavior, especially the ductility of beams with optimized reinforcement, has not been addressed, although it is one critical criterion for ensuring structural safety. Moreover, current topology optimization methods mostly adopt linear elastic material constitutive behavior, which neglects the intrinsic strength difference between steel and concrete material and has been found to cause low ductility in concrete beams. To address these challenges and enhance ductility with optimized reinforcement, this study proposes new frameworks for designing concrete beams with optimized reinforcement. The first framework enhances the elastic-material model-based optimized reinforcement layout with a postprocessing scheme to enhance concrete compression strut ductility. The second framework develops a new optimization formulation by introducing an asymptotic nonlinear material model, which considers both the stiffness and strength difference between concrete and steel material. An experimental and numerical program was conducted to compare the structural performance of concrete beams with optimized reinforcement from different frameworks. Results show that the new frameworks have limited impact on the peak strength but increase ductility of the optimized beams. Compared with the design from the conventional bilinear model, the design from the nonlinear model reduces steel consumption by 8.2%.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».