پیشبینی نشست پایه ستونها بر روی شن با استفاده از تحلیل احتمالاتی
تعداد صفحات انگلیسی:6
تعداد صفحات فارسی : 19 تعداد کلمات فارسی :3931
فلیپه کاروالیو یونگنستب[1]، کاتیا ونسا بیکالیو[2]
چکیده
طراحی پایه ستونها بر روی شن و ماسه معمولاً توسط نشستها کنترل میشود تا ظرفیت باربری. بنابراین، پیشبینی نشست در طراحی فونداسیونهای کم عمق حیاتی است. با این حال، نشست پیشبینیشدهی پایه ستونها به شدت وابسته به مدولهای الاستیک منتخب و روش مورد استفاده میباشد. این مقاله استفاده از تحلیلی احتمالاتی را ارائه میکند تا به ارزیابی تغییرپذیری نشستهای پیشبینی شده ی پایه ستونها بر روی شن و ماسه با تمرکز بر تعیین مشخصات منحنی بارگذاری (نشست پیشبینیشده) بپردازد. سه نوع روششناسی شامل ممان دوم مرتبه اول و دوم[3] (FOSM و SOSM) و شبیه سازی مونت کارلو[4] (MCS) ارائه و مورد بحث قرار داده شده تا میانگین و واریانس نشستهای تخمینی از طریق معادله ی اشمرتمن[5] (1970) محاسبه گردد. خاک زیر پایه ستون به عنوان مادهای لایه ای و بی پوشش ناهمبسته رفتار کرده، بنابراین نشست کلی و واریانس نشست با جمع مقدار افزایش لایه ها به دست میآید. مدول تغییر شکلپذیری[6] (ESi) به عنوان تنها متغیر تصادفی مستقل در نظر گرفته شده است. به عنوان مثالی کاربردی، موردی از یک زیرخاک فرضی معمول در ایالت اسپیریتو سانتو[7] در جنوب شرقی برزیل مورد ارزیابی قرارگرفت. نتایج نشان میدهد که شباهتی قابل ملاحظه میان روشهای SOSM و MCS وجود دارد، در حالی که روش FOSM به خاطر در نظر نگرفتن جملات مراتب بالاتر در سریهای تیلور مقادیر کمتری را پیشبینی کرده است. اعمال موارد عدم قطعیت در پیشبینی نشستها طراحی ایمنتری را فراهم میکند.
کلمات کلیدی: پایه ستون، نشستها، احتمالات، مدول تغییر شکلپذیری
Settlement predictions of footings on sands using probabilistic analysis
abstract
The design of footings on sands is often controlled by settlement rather than bearing capacity. Therefore, settlement predictions are essential in the design of shallow foundations. However, predicted settlements of footings are highly dependent on the chosen elastic modulus and the used method. This paper presents the use of probabilistic analysis to evaluate the variability of predicted settlements of footings on sands, focusing on the load curve (predicted settlements) characterization. Three methodologies, the first- and second-order second-moment (FOSM and SOSM), and Monte Carlo simulation (MCS), for calculating the mean and variance of the estimated settlements through Schmertmann (1970)’s equation, are presented and discussed. The soil beneath the footing is treated as an uncorrelated layered material, so the total settlement and variance are found by adding up the increments of the layers. The deformability
modulus (E ) is considered as the only independent random variable. As an example of application,
a hypothetical case of a typical subsoil in the state of Espirito Santo, southeast of Brazil, is
evaluated. The results indicate that there is a significant similarity between the SOSM and MCS methods, while the FOSM method underestimates the results due to the non-consideration of the high-order terms in Taylor’s series. The contribution of the knowledge of the uncertainties in settlement prediction can provide a safer design.
دانلود رایگان مقاله انگلیسی
دانلود مقاله دات کام 
توضیحات محصول
پیشبینی نشست پایه ستونها بر روی شن با استفاده از تحلیل احتمالاتی
تعداد صفحات انگلیسی:6
تعداد صفحات فارسی : 19 تعداد کلمات فارسی :3931
فلیپه کاروالیو یونگنستب[1]، کاتیا ونسا بیکالیو[2]
چکیده
طراحی پایه ستونها بر روی شن و ماسه معمولاً توسط نشستها کنترل میشود تا ظرفیت باربری. بنابراین، پیشبینی نشست در طراحی فونداسیونهای کم عمق حیاتی است. با این حال، نشست پیشبینیشدهی پایه ستونها به شدت وابسته به مدولهای الاستیک منتخب و روش مورد استفاده میباشد. این مقاله استفاده از تحلیلی احتمالاتی را ارائه میکند تا به ارزیابی تغییرپذیری نشستهای پیشبینی شده ی پایه ستونها بر روی شن و ماسه با تمرکز بر تعیین مشخصات منحنی بارگذاری (نشست پیشبینیشده) بپردازد. سه نوع روششناسی شامل ممان دوم مرتبه اول و دوم[3] (FOSM و SOSM) و شبیه سازی مونت کارلو[4] (MCS) ارائه و مورد بحث قرار داده شده تا میانگین و واریانس نشستهای تخمینی از طریق معادله ی اشمرتمن[5] (1970) محاسبه گردد. خاک زیر پایه ستون به عنوان مادهای لایه ای و بی پوشش ناهمبسته رفتار کرده، بنابراین نشست کلی و واریانس نشست با جمع مقدار افزایش لایه ها به دست میآید. مدول تغییر شکلپذیری[6] (ESi) به عنوان تنها متغیر تصادفی مستقل در نظر گرفته شده است. به عنوان مثالی کاربردی، موردی از یک زیرخاک فرضی معمول در ایالت اسپیریتو سانتو[7] در جنوب شرقی برزیل مورد ارزیابی قرارگرفت. نتایج نشان میدهد که شباهتی قابل ملاحظه میان روشهای SOSM و MCS وجود دارد، در حالی که روش FOSM به خاطر در نظر نگرفتن جملات مراتب بالاتر در سریهای تیلور مقادیر کمتری را پیشبینی کرده است. اعمال موارد عدم قطعیت در پیشبینی نشستها طراحی ایمنتری را فراهم میکند.
کلمات کلیدی: پایه ستون، نشستها، احتمالات، مدول تغییر شکلپذیری
Settlement predictions of footings on sands using probabilistic analysis
abstract
The design of footings on sands is often controlled by settlement rather than bearing capacity. Therefore, settlement predictions are essential in the design of shallow foundations. However, predicted settlements of footings are highly dependent on the chosen elastic modulus and the used method. This paper presents the use of probabilistic analysis to evaluate the variability of predicted settlements of footings on sands, focusing on the load curve (predicted settlements) characterization. Three methodologies, the first- and second-order second-moment (FOSM and SOSM), and Monte Carlo simulation (MCS), for calculating the mean and variance of the estimated settlements through Schmertmann (1970)’s equation, are presented and discussed. The soil beneath the footing is treated as an uncorrelated layered material, so the total settlement and variance are found by adding up the increments of the layers. The deformability
modulus (E ) is considered as the only independent random variable. As an example of application,
a hypothetical case of a typical subsoil in the state of Espirito Santo, southeast of Brazil, is
evaluated. The results indicate that there is a significant similarity between the SOSM and MCS methods, while the FOSM method underestimates the results due to the non-consideration of the high-order terms in Taylor’s series. The contribution of the knowledge of the uncertainties in settlement prediction can provide a safer design.
دانلود رایگان مقاله انگلیسی