Investigation of polypropylene fiber reinforced beam behavior on elastic foundation
Is this your thesis?
This record came from a bulk archive import. If it’s yours, link it to your profile.
Abstract (TR)
Polipropilen elyaf takviyeli ışın, kiriş betonunun davranışını iyileştirmede yeni başarılı bir malzemedir - özellikle geleneksel polipropilen takviye ile birleştiğinde - polipropilen fiber içeren panellerin gerçek yumruklama kapasitesini tahmin eden ve tahmin eden bir kod ve standart yokluğu vardır. Elastik vakıf üzerine tabidir. Birçok takviyeli kiriş türü analiz edilmiştir ve sonlu element çözümü, laboratuvar çalışmasından elde edilen verilerle desteklenmiştir. Bir dizi parametrik eser oluşturuldu. Çeşitli anahtar sonlu elementlerin ve örgü dağılımı, yoğunluk ve ağ boyutu etkileri gibi malzeme faktörlerinin üç boyutlu sonlu eleman model çıkışlarının doğruluğu üzerindeki etkisi araştırıldı. Polipropilen fiber takviyeli ışının merkezindeki yük-akıntı eğrileri ve ayrıca verim takviye oluşumu, modellenen örneğin davranışının, karşılaştırılabilir geleneksel beton ışının merkezindeki yük-çarpışma eğrileri ile aydınlatılabileceğini gösterdi.
Author
Zeyd Aslan
Institution
How to Cite
Zeyd Aslan (Yüksek Lisans Tezi). Investigation of polypropylene fiber reinforced beam behavior on elastic foundation, 2022, Altınbaş University.
License
Tüm Hakları Saklıdır
This work is shared under the specified license terms.
More theses from Altınbaş University
- Samuel P. Huntington'ın Medeniyetler Çatışması' ve Immanuel Wallerstein'ın Dünya Sistemleri Analizi'nin karşılaştırılması(2024)
- Olumsuz çocukluk deneyimlerinin ebeveyn tutumları üzerindeki etkisinde öz yeterliğin moderatör etkisi(2025)
- The conscious impact of fractal dimension in hospital architecture: Enhancing warmth and comfort(2024)
- Kablosuz sensör ağında optimize edilmış özellik seçimi ile hibrit makine öğrenmesi tekniğine dayalı gelişmiş anomali tespit sistemi tasarımı(2025)
- Synthesis and evaluation of nano particles for anticancer application(2025)
- An optimized malware detection technique using subspace learning- based one-class classification(2023)
