15533

پيش بيني پاسخ هاي تاريخچه زماني لرزه اي سازه ها با استفاده از روش هاي يادگيري ماشين

1403

دكتر ايلچي

هدف اصلي اين سمينار كارشناسي ارشد، ارزيابي و مرور قابليت‌هاي روش‌هاي يادگيري ماشين (ML) و يادگيري عميق (DL) در پيش‌بيني دقيق و سريع پاسخ‌هاي تاريخچه زماني لرزه‌اي سازه‌ها است. پيش‌بيني رفتار ديناميكي سازه‌ها تحت بارگذاري‌هاي زلزله، به عنوان يك وظيفه حياتي در مهندسي زلزله، چالش‌هاي محاسباتي قابل توجهي را به همراه دارد. روش سنتي تحليل تاريخچه زماني غيرخطي (NLTHA)، هرچند دقيق‌ترين رويكرد عددي براي ارزيابي عملكرد سازه‌اي محسوب مي‌شود، به دليل ماهيت پرهزينه، زمان‌بر و وابستگي به مدل‌هاي تحليلي پيچيده مانند روش‌هاي انتگرال‌گيري نيومارك، ويلسون، صريح و ضمني، كاربرد گسترده خود را محدود كرده است. اين محدوديت‌ها، شكاف پژوهشي مهمي را در زمينه ارزيابي بلادرنگ آسيب‌پذيري لرزه‌اي و تصميم‌گيري‌هاي اضطراري پس از زلزله ايجاد نموده و نياز به جايگزين‌هاي كارآمد را برجسته مي‌سازد. پيشرفت‌هاي اخير در حوزه هوش مصنوعي و يادگيري ماشين، زمينه‌اي نوين براي غلبه بر اين چالش‌ها فراهم آورده است. در اين سمينار، رويكردهاي نوين مبتني بر ML و DL به عنوان ابزارهاي تحول‌آفرين معرفي و بررسي جامع مي‌شوند. تمركز بر الگوريتم‌هاي متنوعي نظير شبكه‌هاي عصبي مصنوعي (ANN)، جنگل‌هاي تصادفي (RF)، تقويت گراديان افزايشي (XGBoost)، CatBoost، شبكه‌هاي عصبي كانولوشني (CNN)، شبكه‌هاي حافظه كوتاه‌مدت طولاني (LSTM) و مدل‌هاي تركيبي (مانند CNN-LSTM) قرار دارد. اين مدل‌ها، با بهره‌گيري از مجموعه‌داده‌هاي بزرگ توليدشده از تحليل‌هاي NLTHA، قادر به يادگيري الگوهاي پيچيده پاسخ‌هاي غيرخطي هستند و جايگزيني سريع و دقيق براي روش‌هاي عددي مرسوم ارائه مي‌دهند. روش تحقيق اين سمينار بر پايه مرور سيستماتيك مقالات علمي به‌روز استوار است، كه در آن‌ها، داده‌هاي تجربي و شبيه‌سازي‌شده براي آموزش، اعتبارسنجي و آزمايش مدل‌هاي هوشمند مورد استفاده قرار گرفته‌اند. اين كارايي، نه تنها چالش‌هاي محاسباتي روش‌هاي عددي را برطرف مي‌سازد، بلكه امكان طراحي عملكرد‌محور و مقاوم‌سازي لرزه‌اي بهينه را تسهيل مي‌كند. با ارائه دقت بالا و زمان اجراي اندك، الگوريتم‌هاي يادگيري ماشين ابزاري قدرتمند براي مهندسان فراهم مي‌آورند كه مي‌تواند نيازهاي ارزيابي سريع خسارت و تصميم‌گيري‌هاي استراتژيك را به طور مؤثر برآورده سازد. اين رويكرد، پتانسيل تحول در مهندسي زلزله را داراست و زمينه‌اي براي تحقيقات آتي در جهت توسعه مدل‌هاي هيبريدي پيشرفته فراهم مي‌كند.

11/18/2025 12:00:00 AM

88842

1404/09/22

Predicting Structural Seismic Time-History Responses Using Machine Learning Methods

تحليل تاريخچه زماني غيرخطي , يادگيري ماشين , شبكه عصبي مصنوعي , پيش‌بيني پاسخ لرزه‌اي , مدل هاي جانشين

Non-linear Time History Analysis (NLTHA) , Machine Learning (ML) , Artificial Neural Network (ANN) , Seismic Response Prediction , Surrogate Models