13283

الگوريتم هاي فرا ابتكاري و يادگيري ماشين در پيش بيني رفتار سيستم هاي مركزگر

1400

دكتر وحيد بروجرديان

دكتر اسماعيل محمدي ده چشمه

هرساله زمين‌لرزه‌ها باعث ايجاد خطرات جاني و مالي زيادي در كشورهاي مختلف جهان مي‌شوند. يكي از دغدغه‌هاي مهندسان عمران، كاهش اثرات نيروي زلزله بر روي سازه‌هاي مختلف مانند سازه‌هاي مسكوني، پل‌ها و ساير سازه‌هاي عمراني مي‌باشد. سيستم‌هاي باربر جانبي متعارف با ارائه رفتار غير الاستيك و تغيير شكل‌هاي زياد، نيروي زلزله را جذب مي‌كنند و درنتيجه عناصر اصلي سازه‌اي آسيب زيادي مي‌بينند و دچار تغيير شكل‌هاي پسماندي مي‌شوند كه منجر به اختلال در خدمات‌دهي ساختمان‌ها پس از وقوع زمين‌لرزه مي‌شود. درنتيجه هزينه مقاوم سازي و بازسازي سازه‌ها بسيار زياد بوده ويا اينكه سازه بايد كاملاً تخريب شود. درنتيجه نوع جديدي از سيستم‌هاي سازه‌اي در جهت شكل‌پذيري بيشتر و رفع معايب سيستم‌هاي متعارف ايجاد شد كه تحت زمين‌لرزه آسيب كمي ببيند و يا اينكه هيچ آسيبي نبيند. هدف اين سيستم‌ها كاهش خسارت در كنار ايمني جاني افراد ساكن مي‌باشد. در اين سيستم‌ها با مكانيزم مخصوص خود، اجزاي سازه‌اي را در محدوده الاستيك نگه مي‌دارند و اتلاف انرژي و خسارت توسط عناصر اصطكاكي قابل‌ترميم و يا تعويض با هزينه اندك انجام مي‌شود. اجراي سازه‌هاي مركزگرا به نسبت سازه‌هاي متعارف سخت‌تر و هزينه ساخت بالاتري دارد. براي كاهش اين اثرات مي‌توان از تكنيك‌هاي بهينه‌سازي استفاده نمود تا هزينه ساخت را با تعيين بهينه پارامترهاي مختلف نظير مقاطع، نسبت دهانه، جانمايي سيستم و ساير موارد كاهش داد و كارايي اين سيستم‌ها را بالاتر برده و ارزش استفاده از اين سيستم‌ها را بيشتر كرد. براي مواردي كه ايجاد يك رابطه فيزيكي سخت و غيرممكن مي‌باشد و يا امري زمان‌بر مي‌باشد مي‌توان از روش‌هاي مبتني بر جفت داده‌هاي ورودي و خروجي استفاده تا يك مدل براي پيش‌بيني استفاده نمود، كه به آن يادگيري ماشين مي‌گويند. با توجه به پيچيدگي سازه‌هاي مركزگرا و زمان بالاي محاسبات غيرخطي، استفاده از روش‌هاي نوين نظير يادگيري ماشين به ما كمك مي‌كند كه در زمان كمتر و با دقت مناسب، رفتار سيستم‌هاي مركزگرا را پيش‌بيني كنيم.

10/22/2022 12:00:00 AM

82620

1403/02/23

Meta-heuristic and machine learning algorithms in predicting self-centering system behavior

سيستم مركزگرا , استهلاك انرژي , كاهش تغيير شكل پسماند , بهينه‌سازي , يادگيري ماشين

Self-centering system , Energy dissipation , residual drift reduction , optimization , machine learning