شماره ركورد
31947
پديد آورنده
محمدحسن غروي پور
عنوان
ارزيابي شكنندگي لرزه اي در پل هاي بتن مسلّح مجهّز به مهاربند مركزگرا با استفاده از يادگيري ماشين
مقطع تحصيلي
كارشناسي ارشد
رشته تحصيلي
عمران - سازه
سال تحصيل
1401
تاريخ دفاع
1403/10/22
استاد راهنما
وحيد بروجرديان
استاد مشاور
-
دانشكده
مهندسي عمران
چكيده
اطمينان از تابآوري لرزهاي پلهاي بتن مسلح براي حفظ شبكههاي حملونقل و كاهش اختلالات ناشي از زلزله بسيار حائز اهميت است. اين مطالعه از يك چارچوب تحليلي پيشرفته استفاده ميكند كه تحليل ديناميكي افزايشي در نرمافزار OpenSeesPy را با مجموعهاي از روشهاي پيشبيني، شامل رگرسيون خطي، رگرسيون چندگانه خطي، رگرسيون چندجملهاي و شبكههاي عصبي مصنوعي تركيب ميكند تا تقاضاهاي لرزهاي احتمالي را ارزيابي كند. در ميان اين روشها، پيشبينيهاي مبتني بر شبكههاي عصبي مصنوعي به طور قابلتوجهي عملكرد بهتري نسبت به مدلهاي رگرسيون سنتي نشان ميدهند و بهطور مداوم دقتي بيش از 95٪ را به دست ميآورند. با بهرهگيري از اين قابليت قوي شبكههاي عصبي مصنوعي، منحنيهاي شكنندگي در سطح اجزا از طريق رگرسيون لاسو-لجستيك و منحنيهاي شكنندگي در سطح سيستم با استفاده از رويكرد مدل احتمالاتي تركيبي استخراج ميشوند. اين پژوهش همچنين اثربخشي مهاربندهاي مركزگرا را نسبت به مهاربندهاي كمانشتاب و مقيدكنندههاي متداول در عملكرد لرزهاي پلها ارزيابي ميكند. نتايج نشان ميدهد كه مهاربند مركزگرا در اكثر پاسخهاي سازهاي بين 0.15٪ تا 30٪ عملكرد بهتري نسبت به مهاربند كمانشتاب دارد. به دليل پاسخهاي حداكثري كمتر (بين 4.5٪ تا 30٪) نسبت به مقيدكننده، اين مهاربند در كاهش تقاضاهاي لرزهاي نيز عملكرد بهتري دارد، كه آن را به يك جايگزين مناسب براي مقيدكنندههاي متداول تبديل ميكند. در سطح آسيبهاي خفيف، مهاربند مركزگرا عملكرد برتري را نشان ميدهد، در حالي كه در شدتهاي بالاتر، حداقل به همان سطح كارايي مقيدكنندههاي متداول ميرسد. علاوه بر برابري يا برتري نسبت به مقيدكنندههاي متداول در سطوح آسيب ديگر، مزيت برجسته آن در كاهش جابجاييهاي باقيمانده است. از طرفي مقايسه منحنيهاي شكنندگي بهدستآمده از شبكه عصبي در مقايسه با روش سنتي رگرسيون خطي نشان ميدهد كه منحنيهاي حاصل از روش سنتي، عملكرد پل را دست بالا تخمين زده و نسبت به پاسخ دقيقتر، ضعيفتر عمل ميكنند. اين امر نشاندهنده وجود خطا در روشهاي سنتي است و بر خلاف اطمينان است. بهطور كلي، اين پژوهش نشان ميدهد كه استفاده از روشهاي پيشرفته يادگيري ماشين، بهويژه شبكههاي عصبي مصنوعي، ميتواند دقت پيشبينيهاي لرزهاي را بهبود بخشيده و به توسعه منحنيهاي شكنندگي دقيقتر كمك كند. همچنين، استفاده مهاربندهاي مركزگرا بهعنوان يك سيستم مهاربندي نوين، ميتواند گزينهاي مؤثر براي بهبود عملكرد لرزهاي پلها باشد.
تاريخ ورود اطلاعات
1403/11/07
عنوان به انگليسي
Machine learning-based seismic fragility assessment of RC-bridges equipped with self-centering brace
تاريخ بهره برداري
1/11/2026 12:00:00 AM
دانشجوي وارد كننده اطلاعات
محمدحسن غروي پور
چكيده به لاتين
Ensuring the seismic resilience of reinforced concrete (RC) bridges is paramount to safeguarding transportation networks and minimizing earthquake-induced disruptions. This study employs an advanced analytical framework integrating Incremental Dynamic Analysis (IDA) in OpenSeesPy with a range of predictive methods—including linear, multiple linear, and polynomial regression approaches, as well as artificial neural networks (ANNs)—to evaluate probabilistic seismic demands. Among these methods, ANN-based predictions significantly outperform traditional regression models, consistently achieving accuracy rates surpassing 95%. Leveraging this robust ANN capability, component-level fragility curves are generated via Lasso-logistic regression, while system-level fragility curves are derived using a combined probabilistic model. The research further evaluates the effectiveness of self-centering braces relative to buckling-restrained braces (BRBs) and conventional restrainers on the seismic performance of bridges. Findings indicate that the self-centering brace outperforms the buckling-restrained brace across most structural responses, with improvements ranging from 0.15% to 30%. Due to its reduced maximum responses, it also demonstrates superior seismic performance in bridge responses, with reductions in seismic demands ranging from 4.5% to 30%, making it a viable alternative to conventional restrainers. Under slight damage, the self-centering brace demonstrates superior performance, while at higher intensities it maintains at least the same level of effectiveness as restrainers. In addition to matching or surpassing restrainers in various damage states, its distinct advantage lies in notably reducing residual displacements. This characteristic translates into improved post-event functionality and potentially lower repair costs. Overall, this work highlights the limitations of conventional regression-based methods, underscores the superior predictive power of ML-based techniques—particularly ANNs—and presents self-centering braces as a promising, resilience-enhancing alternative for seismic bridge design.
كليدواژه هاي فارسي
پل بتنآرمه , تحليل ديناميكي افزايشي , شبكه عصبي مصنوعي , منحنيهاي شكنندگي , مهاربند مركزگرا , رگرسيون لاسو-لجستيك
كليدواژه هاي لاتين
Reinforced concrete bridge , Incremental Dynamic Analysis , Artificial Neural Network , Fragility Curves , Self-centering Brace , Lasso-logistic Regression
Author
Mohammad Hasan Gharavipour
SuperVisor
Dr. Vahid Broujerdian