WEKO3
アイテム
繰り返し大規模地震動を受けるRC梁の損傷と回復性能評価に関する研究
https://doi.org/10.15118/0002000464
https://doi.org/10.15118/00020004641b0821b5-f3ae-41fb-8dc8-4014b22858ce
| 名前 / ファイル | ライセンス | アクション |
|---|---|---|
A571.pdf (11.4 MB)
|
|
|
|
A571_abstract.pdf (373 KB)
|
|
| アイテムタイプ | 学位論文 / Thesis or Dissertation(1) | |||||||||
|---|---|---|---|---|---|---|---|---|---|---|
| 公開日 | 2026-06-04 | |||||||||
| タイトル | ||||||||||
| タイトル | 繰り返し大規模地震動を受けるRC梁の損傷と回復性能評価に関する研究 | |||||||||
| 言語 | ja | |||||||||
| 言語 | ||||||||||
| 言語 | jpn | |||||||||
| 資源タイプ | ||||||||||
| 資源タイプ識別子 | http://purl.org/coar/resource_type/c_db06 | |||||||||
| 資源タイプ | doctoral thesis | |||||||||
| ID登録 | ||||||||||
| ID登録 | 10.15118/0002000464 | |||||||||
| ID登録タイプ | JaLC | |||||||||
| アクセス権 | ||||||||||
| アクセス権 | open access | |||||||||
| アクセス権URI | http://purl.org/coar/access_right/c_abf2 | |||||||||
| 著者 |
松林, 美樹
× 松林, 美樹
|
|||||||||
| 抄録 | ||||||||||
| 内容記述タイプ | Abstract | |||||||||
| 内容記述 | 地震大国である日本では同一地域で中規模以上の地震が複数回発生することが少なくない。この場合，鉄筋コンクリート(RC)造建物の構造部材は損傷と補修を繰り返し継続使用される。しかし，複数回補修したRC構造部材における残存性能は十分に明らかにされていない。 そこで本研究ではRC片持ち梁を対象に，正負交番繰返し漸増載荷を同一試験体で3度実施した。載荷の間に補修を行い，補修による力学挙動や損傷の変化を確認した。無補修の場合，載荷を重ねるごとに最大荷重は低下したが，補修した試験体では，補修前の最大荷重と同等またはそれ以上に増大した。剛性については，無補修の場合には逆S字型の挙動を示した。一方，補修した試験体は逆S字型の挙動は示さなかった。ひび割れ幅について，無補修試験体は1回目載荷で発生したひび割れが拡幅し続ける傾向が見られた。補修試験体では，補修したひび割れ近傍で新たにひび割れが発生し，変位の増加に伴って拡幅した。 実験で得られた荷重包絡曲線を有限要素解析にて再現した。一度も補修を行わない試験体については，せん断補強筋間隔の異なる3体を解析対象とし，すべての試験体の荷重包絡曲線を精度よく再現できた。補修した試験体については，ひび割れ発生領域の要素を載荷の度に無損傷の状態に置換する簡易的な手法で，補修効果を表現した。補修を考慮することで，最大荷重および剛性が回復した。しかしこの解析方法の場合，補修を重ねるたびに置換した要素以外の損傷が大きくなり，置換したひび割れ発生領域の要素に応力が集中することで，荷重が急激に低下し，実験結果を完全には再現できなかった。 荷重包絡曲線の再現について，機械学習を用いて適切に予測できるか検証した。予測に際し，まず使用するアルゴリズムを選定した結果，本研究の範囲ではArtificial neural network (ANN)の使用が適していると判断した。ANNを用いて，荷重包絡曲線を予測した。1回目載荷については，すべての試験体で精度のよい予測が可能であった。しかし，2回目載荷以降では，予測が直線的になる場合が多く，無補修時の逆S字型の挙動は再現が困難であった。予測精度を向上させるために学習データの拡張を行った結果，逆S字型の挙動を再現でき，2回目載荷以降の精度向上に寄与した。また，有限要素解析と機械学習による予測結果を比較した。予測精度に大きな差はみられなかったが，機械学習は有限要素解析と比較して予測時間が大幅に短い。以上より，それぞれの予測精度向上は前提としてあるが，災害時において大量の部材もしくは建物に対し，残存性能や補修による回復性能を予測する場合には，機械学習の活用が有効であると結論付けられる。 |
|||||||||
| 言語 | ja | |||||||||
| 抄録 | ||||||||||
| 内容記述タイプ | Abstract | |||||||||
| 内容記述 | Large-scale earthquakes frequently occur in Japan, and they often occur multiple times in the same region. In such cases, reinforced concrete (RC) structures are usually repaired after each earthquake and continue to be used. However, the structural performance of RC members that have undergone multiple repairs is unclear. In this study, three loading tests were performed on the same RC cantilever beam specimen. Repairs were applied between each loading to confirm any changes in the beam's mechanical behavior resulting from the repairs. Without repairs, the maximum load decreased with each loading, whereas it recovered when repairs were applied. For the stiffness, the unrepaired specimen exhibited inverted S-shaped behavior. In contrast, the repaired specimen did not exhibit this behavior. Focusing on the crack width, the unrepaired specimen showed continuous widening of cracks initiated during the first loading. In the repaired specimen, new cracks developed near the repaired cracks and widened. The load envelope curves obtained from the test results were estimated using a finite element analysis (FEA). Three specimens with different stirrup spacings were analyzed for the non-repaired specimens. As a result, the load envelope curves for all specimens were accurately estimated. For the repaired specimens, the effect of the repair was represented using a simplified method involving the replacement of elements at locations where cracking was anticipated with undamaged elements each time loading occurred. This recovered the maximum load and stiffness. However, this analysis method is difficult to apply to various structures. As the number of repairs increases, the damage outside the replaced sections increases, and the shear load decreases more rapidly. The author investigated verified whether machine learning (ML) was an appropriate method for predicting load envelope curves. In order to predict, the author first selected the algorithms to use. The results indicated that an artificial neural network (ANN) was suitable for this study. Subsequently, the ANN was used to predict the load envelope curve. For the first loading, high-accuracy predictions were achieved for all specimens. However, for the second and third loadings, the predicted curves became linear, which made it difficult to predict the reverse S-shaped behavior observed in unrepaired specimens. Data augmentation was performed to improve prediction accuracy. This enabled the reproduction of the reverse S-shaped behavior and improved accuracy for the second and third loadings. The author compared the results of the predictions obtained from FEA and ML. There was no significant difference in prediction accuracy. However, ML offers substantially shorter prediction times than FEA. Therefore, ML-based prediction is considered effective in situations requiring predictions for large numbers of components, such as during severe disasters. |
|||||||||
| 言語 | en | |||||||||
| 学位授与機関 | ||||||||||
| 学位授与機関識別子Scheme | kakenhi | |||||||||
| 学位授与機関識別子 | 10103 | |||||||||
| 学位授与機関名 | 室蘭工業大学 | |||||||||
| 言語 | ja | |||||||||
| 学位授与機関名 | Muroran Institute of Technology | |||||||||
| 言語 | en | |||||||||
| 学位名 | ||||||||||
| 学位名 | 博士（工学） | |||||||||
| 言語 | ja | |||||||||
| 学位の種別 | ||||||||||
| 言語 | ja | |||||||||
| 値 | 課程博士 | |||||||||
| 学位授与番号 | ||||||||||
| 学位授与番号 | 甲第571号 | |||||||||
| 報告番号 | ||||||||||
| 言語 | ja | |||||||||
| 値 | 甲第571号 | |||||||||
| 学位記番号 | ||||||||||
| 言語 | ja | |||||||||
| 値 | 博甲第571号 | |||||||||
| 研究科・専攻 | ||||||||||
| 言語 | ja | |||||||||
| 値 | 工学専攻 | |||||||||
| 学位授与年月日 | ||||||||||
| 学位授与年月日 | 2026-03-23 | |||||||||
| 著者版フラグ | ||||||||||
| 出版タイプ | VoR | |||||||||
| 出版タイプResource | http://purl.org/coar/version/c_970fb48d4fbd8a85 | |||||||||
