НЕЙРОСЕТЕВОЕ ПРОГНОЗИРОВАНИЕ ФИЗИКО-МЕХАНИЧЕСКИХ ХАРАКТЕРИСТИК КОМПОЗИТНЫХ МАТЕРИАЛОВ ИСПОЛЬЗУЕМЫХ ДЛЯ УСИЛЕНИЯ СТРОИТЕЛЬНЫХ КОНСТРУКЦИЙ Текст научной статьи по специальности «Строительство и архитектура»

ЭКСПЕРТ:

ТЕОРИЯ И ПРАКТИКА

2023. № 4 (23)

Научная статья УДК 69.059

ГРНТИ: 67 Строительство и архитектура

ВАК: 2.1.1 Строительные конструкции, здания и сооружения, 2.1.5. Строительные материалы и изделия

БОТ 10.51608/26867818 2023 4 101

НЕИРОСЕТЕВОЕ ПРОГНОЗИРОВАНИЕ ФИЗИКО-МЕХАНИЧЕСКИХ ХАРАКТЕРИСТИК КОМПОЗИТНЫХ МАТЕРИАЛОВ ИСПОЛЬЗУЕМЫХ ДЛЯ УСИЛЕНИЯ СТРОИТЕЛЬНЫХ КОНСТРУКЦИЙ

© Авторы 2023 SPIN: 9629-5322 AuthorlD: 420903 ORCID 0000-0003-0209-7726

РИМШИН Владимир Иванович

член-корреспондент РААСН, Заслуженный строитель РФ, доктор технических наук, профессор

Научно-исследовательский институт строительной физики РААСН (НИИСФ РААСН);

Национальный исследовательский Московский государственный

строительный университет

(Россия, Москва, e-mail: v. rimshin@niisf.ru)

SPIN: 3821 -9431 СОЛОВЬЕВ Алексей Кириллович

доктор технических наук, профессор

Национальный исследовательский Московский государственный строительный университет

(Россия, Москва, e-mail: kafedraarxitekktury@yandex. ru)

СУЛЕЙМАНОВА Людмила Александровна

доктор технических наук, профессор

Белгородский государственный технологический университет имени Владимира Григорьевича Шухова (Россия, Белгород, e-mail: ludmilasuleimanova@yandex.ru)

АМЕЛИН Павел Андреевич

аспирант

Белгородский государственный технологический университет имени Владимира Григорьевича Шухова (Россия, Белгород, e-mail: p.amelin@inbox.ru)

Аннотация. В статье изучен нейросетевой метод прогнозирования физико-механических характеристик полимеркомпозитных текстильных материалов, предназначенных для усиления строительных конструкций. Для этого был использован программный комплекс STATISTICA Neural Networks, данные для обучения, тестирования и верификации были получены от производителей составных материалов, таких как Юматекс Росатом (Россия), Sika (Швейцария), S&P (США), BASF (Германия), НИИ «ИНТЕР/ТЭК» (Россия) и FYFE (США). Входными переменными для обучения нейросети были прочность волокна на растяжение Re, модуль упругости волокна Ев, прочность клея на растяжение (сдвиг) R^ поверхностная плотность волокна рпов, толщина холста t, относительное удлинение волокна при разрыве 5. Выходными переменными были прочность на растяжение Rf и модуль упругости Ef углеродной ламели. Алгоритм BGFS (Broyden-Fletcher-Goldfarb-Shanno) был использован для обучения нейронной сети. Архитектура нейронной сети включала многослойный перцептрон с одним промежуточным слоем, содержащим от 1 до 20 нейронов. Обучение проходило в течение 1000 циклов. Для верификации нейросетевого прогнозирования были проведены испытания на осевое растяжение трех образцов углеродной ламели размерами 300х20 мм, состоящих из волокон SikaWrap 230C и двухкомпонентной эпоксидной матрицы FibArm Resin 230+. В результате прогнозирования нейросетью были получены средние значения прочности на растяжение и модуля упругости для испытанных ламелей.

SPIN: 7156-3920

AuthorlD: 445219

ORCID 0000-0002-1180-558X

SPIN: 8237-9002 AuthorID: 1144529 ORCID 0000-0002-7104-3214

Максимальное отклонение между результатами нейросетевого прогнозирования и фактическими испытаниями составило 3,5%.

Ключевые слова: усиление строительных конструкций; композитные материалы на основе углеродных волокон; искусственные нейронные сети; прогнозирование; прочность на осевое растяжение; модуль упругости

Для цитирования: Нейросетевое прогнозирование физико-механических характеристик композитных материаловиспользуемых для усиления строительных конструкций / Римшин В.И., Соловьев А.К., Сулейманова Л.А., Амелин П.А. // Эксперт: теория и практика. 2023. № 4 (23). С. 101-107. 10.51608/26867818_2023_4_101

Original article

NEURAL NETWORK PREDICTION OF PHYSICAL-MECHANICAL CHARACTERISTICS OF COMPOSITE MATERIALS USED FOR STRENGTHENING BUILDING STRUCTURES

© The authors 2023 RIMSHIN Vladimir Ivanovich

Corresponding Member of RAACS, Honored Builder of the Russian Federation, Dr. of Technical, Prof.

Research Institute of Building Physics of the Russian Academy of Architecture and Building Sciences;

National Research Moscow State University of Civil Engineering (Russia, Moscow, e-mail: v.rimshin@niisf.ru)

SOLOVIEV Alexey Kirillovich

Dr. of Technical, Prof.

National Research Moscow State University of Civil Engineering (Russia, Moscow, e-mail: kafedraarxitekktury@yandex. ru)

SULEYMANOVA Lyudmila Aleksandrovna

Doctor of Technical Sciences, Professor

Belgorod State Technological University named after Vladimir Grigoryevich Shukhov (Russia, Belgorod)

AMELIN Pavel Andreevich

PhD Candidate

Belgorod State Technological University named after Vladimir Grigoryevich Shukhov

(Russia, Belgorod, e-mail: p.amelin@inbox.ru)

Abstract. The article studies the neural network method of forecasting the physical and mechanical characteristics of polymer-microposite textile materials designed to strengthen building structures. The software package "STATISTICA Neural Networks" was used for this purpose. Data for training, testing and verification were obtained from manufacturers of composite materials such as Yumatex Rosatom (Russia), Sika (Switzerland), S&P (USA), BASF (Germany), Research Institute «INTER/TEQ» (Russia) and FYFE (USA). Input variables for learning the neural network were Rb tensile strength fiber, Eb fiber elasticity module, Rm tensile strength adhesive (shear), pp surface density fiber, the thickness of the canvas t, and the relative elongation of the fiber at the rupture 5. The output variables were the tensile strength Rf and the elastic modulus Ef carbon laminate. The BGFS algorithm (Broyden-Fletcher-Goldfarb-Shanno) was used for neural network training. The architecture of the neural network included a multi-layered perceptron, with one intermediate layer containing 1 to 20 neurons. Training was provided over 1,000 times. In order to verify the neural network prediction, tests were conducted on the axial tensioning of three samples of carbon lamellas measuring 300x20 mm, consisting of SikaWrap 230C fibers and the two-component epoxy matrix FibArm Resin 230+. As a result of the prediction, the neural network obtained average tensile strength values and a modulus of elasticity for the tested lamellas. The maximum deviation between neural network predictions and actual testing was 3.5%.

Keywords: strengthening of building structures; carbon fibre-based composite materials; artificial neural networks; forecasting; axial tensile strength; elastic modulus

ЭКСПЕРТ:

ТЕОРИЯ И ПРАКТИКА

2023. № 4 (23)

For citation: Experimental studies of bent reinforced concrete elements with reinforcement damage due to contact with an aggressive chloride environment / Rimshin V.I., Soloviev A.K., Suleymanova L.A., Amelin P.A. // Expert: theory and practice. 2023. № 4 (23). Pp. 101-107. (InRuss.). doi 10.51608/26867818_2023_4_101

Введение

Практика усиления строительных конструкций зданий и сооружений связана с необходимостью восстановить или увеличить исходную несущую способность элемента. Альтернативой классическим методам усиления конструкций стало применение полимеркомпозитных текстильных материалов, состоящих из высокомодульных волокон и полимерной матрицы. В качестве волокон используются такие материалы, как стекло-, угле-, органо-, боропластики. Среди них, наиболее используемыми при усилении считаются углепластики, благодаря ряду преимуществ, таких как высокая прочность на растяжение, высокий модуль упругости, устойчивость к воздействию агрессивных сред, а также высокий коэффициент длительной прочности. В основе матрицы используются адгезивные эпоксидные, винил и полиэфирные составы.

Для достижения прочностных характеристик изделия рекомендуется использовать волокна и адгезивные полимерные составы одного производителя. Однако, в практике строительства нередко комбинируются компоненты различных производителей, что ставит задачу прогнозирова-ния физико-механических свойств конечного изделия.

Наряду с традиционными методами прогнозирования сегодня бурно развивается теория искусственных нейронных сетей. Искусственные нейронные сети имитируют работу биологических нейронов в мозге и состоят из множества связанных между собой узлов (нейронов), которые обрабатывают входные данные и выдают выходные данные. Каждый нейрон соединен с другими нейронами через веса, которые определяют важность каждого входного сигнала. Нейросети обучаются находить связи и закономерности в данных путем изменения весов связей между нейронами. Следует отметить, что вопросы изучения повреждений строительных конструкций и рекомендации по их усилению изучались и были отмечены в российской технической литературе [1-22], а также в зарубежных источниках [23-25].

Состав нейронной сети может варьироваться, но в общем случае нейронная сеть состоит из трех типов слоев (рис. 1):

- входной слой, который получает входные данные и передает их в следующий слой нейронной сети. Количество нейронов в этом слое соответствует количеству входных параметров.

- скрытые слои, которые обрабатывают данные между входным и выходным слоем нейронной сети. Количество скрытых слоев и количество нейронов в каждом слое зависит от конкретной задачи и может быть разным.

- выходной слой, который выдает результат работы нейронной сети. Количество нейронов в этом слое зависит от типа задачи.

Рис. 1. Состав простейшей нейросети.

Нейросетевой подход, в отличие от традиционных методов, основанных на предположениях и ограничениях, законах распределения, подходит как для линейных, так и для сложных нелинейных зависимостей. Данный метод эффективен при обосновании зависимостей между множественными переменными.

Программный комплекс STATISTICA Neural Networks является основным инструментом для проведения прогнозных нейросетевых исследований. Он предоставляет широкий набор аналитических средств, позволяющих проводить исследования с использованием различных методов

прогнозирования. STATISTICA Neural Networks позволяет проводить исследования с применением практически всех известных методов прогнозирования. Это включает в себя не только нейросетевое прогнозирование, но и другие методы, такие как регрессионный анализ, временные ряды, генетические алгоритмы и многое другое.

Методы исследования

В рамках исследования был проведен нейросетевой регрессионный прогноз физико-механических характеристик композитных тканевых материалов на основе углеродных волокон из компонентов различных производителей, например, таких как Юматекс Росатом (Россия), Sika (Щвейцария), S&P (США), BASF (Германия), НИИ «ИНТЕР/ТЭК» (Россия), FYFE (США), Torayca (Япония), а также в программном комплексе STATISTICA Neural Networks, полученных по результатам исследований.

В качестве входного слоя для обучения нейросети использовались независимые переменные - прочность волокна на растяжение Re, модуль упругости волокна Ев, прочность клея на растяжение

Таблица 1. Данные физико-механических характеристик материалов

Тип ткани Поверхностная плотность, 1?'м2 Толщина ленты, мм Модуль упругости, Г IIa (волпкняЪ Прочность на растяжение, ГПа (волокна) Среднее значение модуля упругости, ГПа (лента) Среднее значенне прочности на растяжение, ГПа (лента) Относительное удлинение углепластика при разрыве. % Прочность клея на растяжение (сдвиг), ГПа H аимсновани е клея

FibARM Tape 200.'300 200 0,111 245 4,3 245 3,6 0,016 FibArm Resin 230+

FibARM Tape 230/300 230 0,128 245 4,3 245 3,6 1,8 0.016 FibArm Resin 230+

FibARM Tape 300.300 300 0,167 245 4,3 245 3,6 1,8 0,016 FibArm Resin 230+

FibARM Tape 350/300 350 0,194 245 4,3 245 3,6 1,8 0,01 FibArm Resin 530+

FibARM Tape 530/300 530 0.294 245 4,3 245 3,6 1,8 0,01 FibArm Resin 530+

SikaWrap 230 С 235 0,129 230 4 225 3,5 1,7 0,03 Sikadur 330

SikaWrap 530 С 528 0,29 230 4 225 3,5 1,7 0,03 Sikadur 330

S&P С Sheet 240 200g m2 230 0,117 240 4.4 240 3,8 1.8 0.014 S&P Resin 55 HP

S&P С Sheet 240 300g'm3 330 0,117 265 5,1 265 3,8 1,8 0,014 S&P Resin 55 HP

S&P С Sheet 240 400g'm4 430 0,117 265 5,1 265 3,8 1,8 0.014 S&P Resin 55 HP

S&P С Sheet 240 600gm5 630 0,117 265 5,1 265 3,8 1,8 0,014 S&P Resin 55 HP

S&P С Sheet 640 430 0,19 640 2,6 640 2,65 1,8 0,014 S&P Resin 55 HP

MBrace Fib CF 230/4900/300g 300 0,167 230 4,9 257 3,174 1,8 0,016 Mbracc Saturant

MBracc Fib CF 230.'4900.530g 530 0.294 230 4,9 236 3,334 1,8 0,016 Mbracc Saturant

Mbracc Sheet 300 0,165 380 4,9 380 3 1,8 0,016 Mbracc Saturant

1йШХв.иТ70-20 200 0,111 235 4,6 230 3,4 1,7 0,01 TSR800S

ЬВШ» UT70-30 300 0,167 235 4,6 230 3,4 1,7 0,01 TSR800S

ХйШкЛО- UM46 300 0,163 445 4,9 440 2,4 1,7 0,01 TSR800S

ITECWRAP® CF1-012-610-050-230-379-170 230 0,127 230 4,5 230 3,79 1,7 0,0206 ITECRESIN» AS2-310-020-017-640041-051

Tyfo SCH-41 644 0.417 250 4,3 227,7 3,80 1,7 0,0724 Tyfo'» S Epoxy

(сдвиг) Им, поверхностная плотность волокна рпов, толщина холста 1, относительное удлинение волокна при разрыве 5. В качестве выходного слоя приняты прочность на растяжение Rf и модуль упругости Б£ углеродной ламели. Данные физико-механических характеристик представлены в таблице 1.

Для обеспечения статистической значимости независимых переменных использовалось количество входных данных, превышающее количество независимых переменных более чем в 4 раза. Для обучения, тестирования и контроля были выделены соответственно 70%, 15% и 15% данных. Архитектура нейронной сети включала многослойный перцептрон с одним промежуточным слоем, содержащим от 1 до 20 нейронов. При создании сети был исследован набор функций активации нейронов, включая линейную, логарифмическую сигмоидную и другие. Количество циклов обучения (эпох) было установлено на 1000.

Для обучения нейронной сети, например, использовался алгоритм БвР8 (Broyden-Fletcher-ОоЖагЬ-ЗИаппо), который является итерационным

методом численной оптимизации. Он предназначен для поиска локального максимума или минимума нелинейной функции без ограничений. После анализа среднеквадратичных ошибок для дальнейшего использования была принята нейросеть MLP 6-7-2.

Для верификации нейросетевого

прогнозирования были испытаны на осевое растяжение три образца ламелей размерами 300x20 мм, состоящих из волокон, например, SikaWrap 230C и двухкомпонентной эпоксидной матрицы FibArm Resin 230+ (рис. 2).

ЭКСПЕРТ:

ТЕОРИЯ И ПРАКТИКА

2023. № 4 (23)

Рис. 2. Экспериментальные образцы углеродных волокон и эпоксидного клея

Испытания проводились на испытательной машине WEW-600D согласно ГОСТ 25.601-80 со средней скоростью нагружения, равной 0,05 кН/с. Деформации арматуры регистрировались экстензометром ИДН-10-50 (рис. 3).

.

Рисунок 3. Испытание композитных ламелей на осевое растяжение

Результаты исследования В результате нейросетевого прогнозирования были получены средние значения прочности на растяжение и модуль упругости испытанной углеродной ламели, представленные на рис. 4.

Cast лате Prêtions spitadslwtt *о> Среднее мм модуля упругости ГГ1» (мига) (Лист) л Стать« углепластик) ttowoik 1 MLP 6-7-2 Sam0«« Missing

Средне« значение модуля упругости, ГПа (пейте) Target Среднее значение модуля упругости ГПа (мнта) - Output 1 MLP 6-7-2

1 236 9871

С«« name Predictions speadsheet loi Среднее значение прочности на растя«««« ГПа (лента) (Лмст1 я Статья угмлпастж) Network 1 MLP 6-7-2 Samples Misting

Среднее значение прочности на растяжение, ГПа (пента) Jaiget Среди« значение прочности на растение ГПа(пента). Output 1 MLP 6 7-2

1 3 676079

Рисунок 4. Результаты нейросетевого прогнозирования прочности на растяжение и модуль упругости композитных ламелей

Результаты натурных испытаний в виде диаграммы работы с - е (напряжения-деформации) ламелей представлены на рис. 5.

4000 3500 3000 и 2500 2000

Я --

§:15оо -

ст

к 1000 500 0

-500

Осносительная деформация г Рисунок 5. Диаграмма с - е композитных образцов

Предельные значения прочности на растяжение и модуля упругости образцов показаны в табл. 2.

Таблица 2. Предельные значения прочности на

Ef,, ГПа sf, МПа eu, %

234,88 3450,7 1,87

Сравнивая показатели нейросетевого прогнозирования и экспериментального

исследования видно, что экспериментальная прочность на растяжение ламели из углеродного волокна на 3,5% меньше прогнозируемой, а экспериментальный модуль упругости меньше прогнозируемого на 0,88 %, что констатирует высокую сходимость исследуемого нейросетевого метода.

Заключение

Таким образом, в результате проведенных исследований, была подобрана, обучена и экспериментально верифицирована нейросеть для прогнозирования физико-механических

характеристик композитных ламелей,

0,002 0.004 0,006 0,С Ю8 0,01 0,012 0,014 0,016 0,018 0,(

предназначенных для усиления строительных конструкций. Максимальная разница результатов нейросетевого прогнозирования и натурного испытания составила 3,5%.

Библиографический список

1. Патент № 2767308 C1 Российская Федерация, МПК G21D 1/00, E04H 7/20. Атомная электрическая станция : № 2021110529 : заявл. 13.04.2021 : опубл. 17.03.2022 / С. М. Анпилов, И. Р. Гейдт, Г. С. Сахаров [и др.]. - EDN GKNMQN.

2. Патент № 2795798 C1 Российская Федерация, МПК G01N 25/50. Способ определения огнестойкости монолитной сталежелезобетонной плиты перекрытия здания : № 2022118246 : заявл. 04.07.2022 : опубл. 11.05.2023 / С. М. Анпилов, Н. А. Ильин, О. Б. Керженцев [и др.].

3. Патент № 2652402 C1 Российская Федерация, МПК E04B 5/32. Способ возведения облегчённых перекрытий многоэтажных зданий : № 2017117403 : заявл. 18.05.2017 : опубл. 26.04.2018 / С. М. Анпилов, В. А. Ерышев, М. М. Гайнуллин [и др.]. - EDN ZEEHLF.

4. Техническая экспертиза несущих строительных конструкций административного здания в рамках его переустройства / С. М. Анпилов, В. И. Римшин, В. Л. Курбатов [и др.] // Эксперт: теория и практика. - 2022. - № 3(18). - С. 28-33. - DOI 10.51608/26867818_2022_3_28. - EDN KSSAMC.

5. Римшин, В. И. Исследование несущей способности сборных железобетонных плит с внутренней распоркой / В. И. Римшин, С. М. Анпилов, П. С. Трунтов // БСТ: Бюллетень строительной техники. - 2023. - № 6(1066). - С. 27-29. - EDN JSKMEO.

6. Композитное усиление железобетонных изгибаемых элементов, поврежденных под воздействием хлоридной агрессивной среды / В. И. Римшин, Л. А. Сулейманова, П. А. Амелин, Н. В. Фролов // Эксперт: теория и практика. -2023. - № 1(20). - С. 29-34. - DOI 10.51608/26867818_2023_1_29. - EDN YUOKZK.

7. Римшин, В. И. Бетонные конструкции, усиленные композитным материалом / В. И. Римшин, С. И. Меркулов, С. М. Есипов // Вестник Инженерной школы Дальневосточного федерального университета. - 2018. - № 2(35). -С. 93-100. - DOI 10.5281/zenodo.1286034. - EDN USTLHE.

8. Усиление конструкций здания текстильной промышленности внешним армированием из

композитных материалов / В. И. Римшин, В. Л. Курбатов, Е. С. Кецко, П. С. Трунтов // Известия высших учебных заведений. Технология текстильной промышленности. - 2021. - № 6(396). - С. 242-249. - DOI 10.47367/0021-3497_2021_6_242. - EDN АБРОАУ.

9. Результаты расчета усиления строительных конструкций здания методом конечных элементов / В. И. Римшин, Е. С. Кецко, П. С. Трунтов [и др.] // Вестник Вологодского государственного университета. Серия: Технические науки. - 2020. - № 4(10). - С. 6778. - EDN РЯ^ИР.

10. Амелин, П. А. Анализ экспериментальных исследований по усилению железобетонных конструкций внешним композитным армированием // VII Международный студенческий строительный форум - 2022: Сборник докладов VII Международного студенческого строительного форума, Белгород, 24 ноября 2022 года. Белгород: Белгородский государственный технологический университет им. В.Г. Шухова, 2022. С. 13-20.

11. Амелин, П. А. Применение искусственного интеллекта на этапе проектирования зданий и сооружений // Строительство. Архитектура. Дизайн : Материалы Четвертой Всероссийской научно-практической конференции молодых ученых, Курск, 21 апреля 2023 года / Под редакцией С.И. Меркулова. Курск: Курский государственный университет, 2023. С. 11-17.

12. Автоматизация жизненного цикла зданий при реконструкции и капитальном ремонте / В. И. Римшин, И. Л. Шубин, В. Т. Ерофеев, А. А. Аветисян // Жилищное строительство. - 2022. -№ 7. - С. 6-12. - DOI 10.31659/0044-4472-20227-6-12. - EDN ЫМА'УР.

13. Экспериментальные исследования изгибаемых железобетонных элементов, имеющих повреждения арматуры вследствие контакта с хлоридной агрессивной средой / В. И. Римшин, Л. А. Сулейманова, П. А. Амелин, А. А. Крючков // Эксперт: теория и практика. - 2023. - № 3(22). - С. 138-146. - DOI 10.51608/26867818_2023_3_138. - EDN

влтягс.

14. Технологические процессы в строительстве : Учебное пособие / В. Л. Курбатов, В. И. Римшин, Е. Ю. Шумилова, М. В. Дайронас. -Москва : Издательство АСВ, 2020. - 601 с. -ISBN 978-5-903213-50-4. - EDN ШШПА.

15. Римшин, В. И. Ресурс силового сопротивления железобетонных конструкций инженерных сооружений / В. И. Римшин, Л. И. Шубин, А. В.

ЭКСПЕРТ:

ТЕОРИЯ И ПРАКТИКА

2023. № 4 (23)

Савко // Academia. Архитектура и 20. строительство. - 2009. - № 5. - С. 483-491. -EDN MTPETF.

16. Курбатов, В. Л. Геодезические работы в строительстве / В. Л. Курбатов, В. И. Римшин,

Е. Ю. Шумилов. - Минеральные воды : 21. Белгородский государственный

технологический университет им. В. Г. Шухова, 2016. - 216 с. - (Высшее профессиональное образование). - ISBN 978-5-903213-43-6. - EDN VYVRCJ.

17. Рощина, С. И. Расчёт деформаций изгибаемых армированных деревянных элементов с учётом ползучести / С. И. Рощина, В. И. Римшин // 22. Известия Юго-Западного государственного университета. - 2011. - № 1(34). - С. 121-124. -

EDN NXLTKN.

18. Бондаренко, В. М. Примеры расчета железобетонных и каменных конструкций : учебное пособие для студентов высших 23. учебных заведений, обучающихся по специальности "Промышленное и гражданское строительство" направления подготовки дипломированных специалистов "Строительство" / В. М. Бондаренко, В. И. Римшин ; В. М. Бондаренко, В. И. Римшин. -Москва : Высш. шк., 2006. - (Для высших 24. учебных заведений. Строительство). - ISBN 506-004437-8. - EDN QNMLGV.

19. Развитие теории деградации бетонного композита / В. И. Римшин, А. А. Варламов, В. Л. Курбатов, С. М. Анпилов // Строительные материалы. - 2019. - № 6. - С. 12-17. - DOI 10.31659/0585-430X-2019-771-6-12-17. - EDN AWEKIX.

Курбатов, В. Л. Ползучесть цементных бетонов при расчете строительных конструкций / В. Л. Курбатов, Н. Д. Комарова, В. И. Римшин // БСТ: Бюллетень строительной техники. - 2016. - № 5(981). - С. 27-32. - EDN VUZWGZ. Обследование и испытание зданий и сооружений : учебник для студентов вузов, обучающихся по специальностям

"Промышленное и гражданское строительство" направления подготовки "Строительство" / [В. Г. Казачек и др.] ; под ред. В. И. Римшина. - Изд. 4-е, перераб. и доп.. - Москва : Студент, 2012. -ISBN 978-5-4363-0016-0. - EDN QNPXYD. Strengthening technology of timber trusses by patch plates with toothed-plate connectors / V. I. Telichenko, V. I. Rimshin, A. V. Karelskii [et al.] // Journal of Industrial Pollution Control. - 2017. -Vol. 33, No. 1. - P. 1034-1041. - EDN XNTLSI.

Regulatory support for the use of composite rod reinforcement in concrete structures / S. Merkulov, V. Rimshin, E. Akimov [et al.] // IOP Conference Series: Materials Science and Engineering, Vladimir, 27-28 апреля 2020 года. - Vladimir, 2020. - P. 012022. - DOI 10.1088/1757-899X/896/1/012022. - EDN VUVIBU. Mathematical modeling of groundwaters pressure distribution in the underground structures by cylindrical form zone / V. Telichenko, V. Rimshin, V. Eremeev, V. Kurbatov // MATEC Web of Conferences, Rostov-on-Don, 17-21 сентября 2018 года. Vol. 196. - Rostov-on-Don: EDP Sciences, 2018. - P. 02025. - DOI 10.1051/matecconf/201819602025. - EDN VBQAPP.

Исследования представленные в статье выполнены по гранту РААСН по теме: 3.1.1.1 «Несущая способность сжатых трубобетонных элементов квадратного поперечного сечения» 2023 год.

Авторы заявляют об отсутствии конфликта интересов. Авторы сделали эквивалентный вклад в подготовку публикации.

Статья поступила в редакцию 06.10.2023; одобрена после рецензирования 30.11.2023; принята к публикации 30.11.2023.

The authors declare no conflicts of interests. The authors made an equivalent contribution to the preparation of the publication.

The article was submitted 06.10.2023; approved after reviewing 30.11.2023; accepted for publication 30.11.2023.