Investigation of the SFRC two-way panels behavior under high temperature
Is this your thesis?
This record came from a bulk archive import. If it’s yours, link it to your profile.
Abstract (TR)
betonarme döşeme, bina yüzeyi sağlamak için kullanılan önemli bir yapısal elemandır. farklı yapısal bileşenlerde düz form. yüksek sıcaklık çelik takviyeli levhaları etkiler delme direnci. Bu çalışmada, bir SFRC panel modeli kullanılarak deneysel çalışma yapılmıştır. ANSYS yazılımını kullanarak SFRC'nin iki yönlü panellerini yüksek sıcaklık altında incelemek için. Her grubun çelik içermeyen bir panel içerdiği dört grup olarak işaretlenmiş deney programı fiber ve farklı yüzdelerde çelik fiber panellerden oluşan üç panel. Numuneler 3D Dört farklı çelik kullanılarak 500 × 500 × 60 mm boyutlarında döşeme betonunun konfigürasyonu lif yüzdesi, bunlar (V_f= 0, V_f= 0.75, V_f= 1, V_f= 1.25). Sonuçlar, lif eklemenin daha düşük sapma değerlerine yol açtı ve en iyi sapma değeri %0,75 çeliğin eklenmesiyle elde edildi yük (40 KN) ile ortam koşulu altında fiber. Yüksek sıcaklıkta iken en iyi sapma değer, 100 °C'de % 1 çelik lif eklenmesiyle elde edilir.
Author
Shakır Al-graıshı
How to Cite
Shakır Al-graıshı (Yüksek Lisans Tezi). Investigation of the SFRC two-way panels behavior under high temperature, 2021, Altınbaş University.
Keywords
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)
