Marufii, A., Dzhusuev, U., Turdazhieva, E., Zhalaldinov, M., & Alieva, A.
(2025).
Calculation of strip foundations in complex conditions of its operation based on digital technologies.
Architectural Studies,
11(1),
9-21.
https://doi.org/10.56318/as/1.2025.09
Стаття
Розрахунок стрічкового фундаменту в складних умовах його експлуатації на основі цифрових технологій
Анотація
Метою дослідження була розробка методології розрахунку стрічкових фундаментів з урахуванням складних умов експлуатації. Для цього було розглянуто особливості фундаментів на слабких та просідаючих ґрунтах, досліджено вплив неповного контакту з фундаментом, а також вплив поздовжніх сил, що виникають внаслідок попереднього натягу арматури та зміни температури. Методологія розрахунку базувалася на моделюванні фундаменту як скінченної балки, що спирається на двопараметричний пружний фундамент. У дослідженні проаналізовано вплив неповного контакту між основою та фундаментом, що виникає у випадку локалізованих провалів або ослаблення ґрунту, а також поздовжніх сил, спричинених зовнішніми навантаженнями. Була розроблена розрахункова програма для числового моделювання та реалізована в Delphi. У дослідженні було визначено, що відсутність повного контакту між фундаментом та основою призводить до перерозподілу напружень, що може спричинити локалізовані концентрації деформацій. Поздовжні сили по-різному впливають на характеристики фундаменту: розтягуючі – зменшують прогини, а стискаючі – збільшують. Аналітичні та числові розрахунки підтвердили необхідність врахування цих факторів під час проектування, оскільки їх ігнорування може призвести до значних відхилень у напружено-деформованому стані конструкції. Розроблена математична модель враховує ці ефекти та визначає критичні області, що потребують коригування параметрів проектування. Отримані дані можуть бути використані при проектуванні стрічкових фундаментів у складних ґрунтових умовах, підвищуючи їх надійність та ефективність, а також мінімізуючи ризик утворення тріщин та нерівномірних осідань. Запропонована методологія може бути використана для розрахунку фундаментів будівель та споруд, що експлуатуються в неоднорідних ґрунтах
Ключові слова
модель ґрунтового фундаменту; функція Хевісайда; жорсткість на згин; узагальнені характеристики ґрунту; коефіцієнт нашарування; модуль пружності; момент інерції
Отримано 30.08.2024, Доопрацьовано 01.12.2024, Прийнято 25.02.2025
Взято з Том 11, № 1, 2025
ЦИТУВАТИ
https://doi.org/10.56318/as/1.2025.09
Сторінки 9-21
Використані джерела
[1] Alabi, M. (2024). Foundation engineering: Advanced techniques for challenging soil conditions. Retrieved from https://www.researchgate.net/publication/385286076_Foundation_Engineering_Advanced_Techniques_for_Challenging_Soil_Conditions.
[2] Aminisharifabad, M., Yang, Q., & Wu, X. (2021). A deep learning-based reliability model for complex survival data. IEEE Transactions on Reliability, 70(1), 73-81. doi: 10.1109/tr.2020.3045144.
[3] Baida, D., Voitsehivskiy, O., Popov, V., & Kotenko, V. (2024). The shear capacity of the reinforced concrete bridge beams. Modern Technologies, Materials and Structures in Construction, 21(1), 6-13. doi: 10.31649/2311-1429-2024-1-6-13.
[4] Chen, S., Feng, D., Wang, W., & Taciroglu, E. (2022). Probabilistic machine-learning methods for performance prediction of structure and infrastructures through natural gradient boosting. Journal of Structural Engineering, 148(8), article number 3401. doi: 10.1061/(asce)st.1943-541x.0003401.
[5] Clement, M. (2025). Scalability and efficiency of foundation models for Big Data analytics. Retrieved from https://www.researchgate.net/publication/388382655_Scalability_and_Efficiency_of_Foundation_Models_for_Big_Data_Analytics.
[6] Dhadse, G.D., Ramtekkar, G.D., & Bhatt, G. (2021). Finite element modeling of soil structure interaction system with interface: A review. Archives of Computational Methods in Engineering, 28(5), 3415-3432. doi: 10.1007/s11831-020-09505-2.
[7] Du, Y., Sheng, Q., Fu, X., Chen, H., & Li, G. (2022). New model for predicting the bearing capacity of large strip foundations on soil under combined loading. International Journal of Geomechanics, 22(5), article number 2389. doi: 10.1061/(asce)gm.1943-5622.0002389.
[8] Ertz, M., Latrous, I., Dakhlaoui, A., & Sun, S. (2024). The impact of Big Data Analytics on firm sustainable performance. Corporate Social Responsibility and Environmental Management, 32(1), 1261-1278. doi: 10.1002/csr.2990.
[9] Fissha, Y., Khatti, J., & Armaghani, D.J. (2024). Special issue: Advancement of computational mechanics in geotechnical engineering. Retrieved from https://www.researchgate.net/publication/380825985_Special_Issue_Advancement_of_Computational_Mechanics_in_Geotechnical_Engineering.
[10] Gao, X.-W., Jiang, W.-W., Xu, X.-B., Liu, H.-Y., Yang, K., Lv, J., & Cui, M. (2023). Overview of advanced numerical methods classified by operation dimensions. Aerospace Research Communications, 1, article number 11522. doi: 10.3389/arc.2023.11522.
[11] Hoshyar, A.N., Samali, B., Liyanapathirana, R., Houshyar, A.N., & Yu, Y. (2019). Structural damage detection and localization using a hybrid method and artificial intelligence techniques. Structural Health Monitoring, 19(5), 1507-1523. doi: 10.1177/1475921719887768.
[12] Jürgens, H., & Henke, S. (2021). The design of geotechnical structures using numerical methods. IOP Conference Series Earth and Environmental Science, 727(1), article number 012021. doi: 10.1088/1755-1315/727/1/012021.
[13] Liu, Q. (2023). Comparisons of conventional computing and quantum computing approaches. Highlights in Science Engineering and Technology, 38, 502-507. doi: 10.54097/hset.v38i.5875.
[14] Marufiy, A.T., & Kalykov, A.S. (2019). Creation of topologies of buildings and structures and methods for their effective processing at the design stage. Herald of KSUCTA, 65(3), 396-403.
[15] Marufiy, A.T., Tsoi, A.V., & Kalykov, A.S. (2021). Procedure for calculating the plate on an elastic base with a lot of reduced base rigidity. Science, New Technologies and Innovations of Kyrgyzstan, 1, 9-13.
[16] Messaouda, B., Assia, A., Salima, B., Nacera, K., & Lazhar, B. (2023). Numerical modeling of the behavior of a surface foundation located in the proximity of a slope. Soils and Rocks, 47(1), article number e2024008722. doi: 10.28927/sr.2024.008722.
[17] Onyelowe, K.C., et al. (2022). Selected AI optimization techniques and applications in geotechnical engineering. Cogent Engineering, 10(1), article number 2153419. doi: 10.1080/23311916.2022.2153419.
[18] Ramos, A., Correia, A.G., Nasrollahi, K., Nielsen, J.C., & Calçada, R. (2024). Machine learning models for predicting permanent deformation in railway tracks. Transportation Geotechnics, 47, article number 101289. doi: 10.1016/j.trgeo.2024.101289.
[19] Sadegh Es-haghi, M., Abbaspour, M., Abbasianjahromi, H., & Mariani, S. (2021). Machine learning-based prediction of the seismic bearing capacity of a shallow strip footing over a void in heterogeneous soils. Algorithms, 14(10), article number 288. doi: 10.3390/a14100288.
[20] Sasane, S., & Mulla, Z.A.S. (2024). Predictive modelling of stress levels: A comparative analysis of machine learning algorithms. Journal of Advanced Zoology, 45(S4), 153-158. doi: 10.53555/jaz.v45is4.4172.
[21] Savvides, A.A., & Papadopoulos, L. (2024). A neural network approach for the reliability analysis on failure of shallow foundations on cohesive soils. International Journal of Geo-Engineering, 15, article number 15. doi: 10.1186/s40703-024-00217-1.
[22] Schweiger, H.F., Fabris, C., Ausweger, G., & Hauser, L. (2018). Examples of successful numerical modelling of complex geotechnical problems. Innovative Infrastructure Solutions, 4, article number 2. doi: 10.1007/s41062-018-0189-5.
[23] Sharma, H., Patil, M., & Woolsey, C. (2020). A review of structure-preserving numerical methods for engineering applications. Computer Methods in Applied Mechanics and Engineering, 366, article number 113067. doi: 10.1016/j.cma.2020.113067.
[24] Yang, S., Yang, Z., Zhang, L., Guo, Y., Wang, J., & Huang, J. (2023). Research on deformation prediction of deep foundation pit excavation based on GWO-ELM model. Electronic Research Archive, 31(9), 5685-5700. doi: 10.3934/era.2023288.
[25] Zgoda, I. (2023). High performance modeling of the stress-strain state of thin-walled shell structures with the use of deep learning. Scientific and Technical Journal of Information Technologies Mechanics and Optics, 23(2), 430-435. doi: 10.17586/2226-1494-2023-23-2-430-435.
[26] Zhou, Z., Zhou, Z., & Vanapalli, S.K. (2024). Integrating analytical and machine learning approaches to simulate and predict dam foundation stress and river valley contraction in a large-scale reservoir. Bulletin of Engineering Geology and the Environment, 83, article number 444. doi: 10.1007/s10064-024-03941-1.