• شماره ركورد
    34123
  • پديد آورنده

    علي محمدي

  • عنوان
    توسعه مدل هاي جايگزين داده محور براي پيشبيني پاسخ هاي سازه اي
  • مقطع تحصيلي
    كارشناسي ارشد
  • رشته تحصيلي
    مهندسي عمران گرايش زلزله
  • سال تحصيل
    1402
  • تاريخ دفاع
    1404/07/20
  • استاد راهنما
    دكتر علي كاوه، دكتر مجيد ايلچي قزاآن
  • استاد مشاور
    ندارم
  • دانشكده
    مهندسي عمران
  • چكيده
    پيش‌بيني دقيق پاسخ لرزه‌اي سازه‌هاي بتني مسلح (RC) براي طراحي مقاوم در برابر زلزله و كاهش آسيب‌ها ضروري است. اين پژوهش چارچوبي جامع مبتني بر يادگيري ماشين (ML) براي پيش‌بيني رفتار لرزه‌اي قاب‌هاي خمشي سه‌بعدي RC تحت زلزله‌هاي قوي ارائه مي‌دهد. برخلاف مطالعات پيشين دوبعدي، از نرم‌افزار OpenSeesPy و تحليل تاريخچه زماني غيرخطي (NLTHA) بر اساس 110 ركورد زلزله دورميدان PEER براي مدل‌سازي واقع‌گرايانه سه‌بعدي استفاده شد. مجموعه داده شامل 26,730 نمونه از ساختمان‌هاي 4، 8 و 12 طبقه با تغييرات در ارتفاع، پلان كف و خواص مصالح ايجاد گرديد. الگوريتم‌هاي ETR، RF و GBR در مدل انباشته ادغام شدند تا دقت پيش‌بيني پاسخ‌هاي لرزه‌اي (حداكثر دريفت سازه، دريفت بام و توزيع دريفت طبقات) افزايش يابد. تحليل اهميت ويژگي‌ها نشان داد ارتفاع، عرض ساختمان و شدت‌هاي HI و ASI مهم‌ترين عوامل ورودي هستند. مدل با 80% داده آموزش و 20% آزمايش ارزيابي شد. نتايج مقايسه الگوريتم‌ها بدين شرح است. در سازه چهار طبقه، حداكثر دريفت: ETR 0.9644 و مدل انباشته (0.9972، بهبود 3.28%)؛ دريفت باETR 0.9243 و مدل انباشته (0.9938، بهبود 6.95%)؛ توزيع دريفت ETR 0.9388 و مدل انباشته (ميانگين: 0.9886، بهبود 4.98%؛ ميانه: 0.9862، بهبود 4.74%). در سازه 8 طبقه، حداكثر دريفت RF 0.9780 و مدل انباشته (0.9986، بهبود 2.06%)؛ دريفت بام ETR (0.9561 و مدل انباشته (0.9976، بهبود 4.15%)؛ توزيع دريفت ETR 0.9833 و مدل انباشته (ميانگين: 0.9994، بهبود 1.61%؛ ميانه: 0.9992، بهبود 1.59%). در سازه 12 طبقه، حداكثر دريفتRF 0.9748 و مدل انباشته (0.9997، بهبود 1.50%)؛ دريفت بام RF 0.9768 و مدل انباشته (0.9993، بهبود 2.25%)؛ توزيع دريفت ETR 0.9780 و مدل انباشته (ميانگين: 0.9992، بهبود 2.12%؛ ميانه: 0.9996، بهبود 2.16%). اين چارچوب در شناسايي طبقات ضعيف برتري نشان داد و با تلفيق ML پيشرفته و مدل‌سازي فيزيكي، ابزاري مقياس‌پذير براي ارزيابي سريع عملكرد لرزه‌اي فراهم كرد كه به طراحي مبتني بر عملكرد و سازه‌هاي ايمن‌تر كمك مي‌كند.
  • تاريخ ورود اطلاعات
    1404/09/15
  • عنوان به انگليسي
    Developing data-driven surrogate models for seismic response prediction of frame structures
  • تاريخ بهره برداري
    10/12/2026 12:00:00 AM
  • دانشجوي وارد كننده اطلاعات

    علي محمدي

  • چكيده به لاتين
    This study presents a machine learning (ML) framework to forecast the nonlinear seismic behavior of three-dimensional (3D) RC moment-resisting frames, utilizing OpenSeesPy for realistic 3D modeling an‎d nonlinear time-history analysis (NLTHA) with 110 far-field ground motions from the PEER database. A dataset of 29,700 samples was compiled, spanning 4-, 8-, an‎d 12-story buildings with varied geometries an‎d material properties. Seismic responses, including maximum drift, inter-story drift, an‎d roof drift, were predicted via algorithms such as Extra Trees Regressor (ETR), Ran‎dom Forest (RF), Gradient Boosting Regression (GBR), an‎d XGBoost. Feature importance identified building height, width, Housner Intensity (HI), an‎d Acceleration Spectrum Intensity (ASI) as key inputs. For inter-story drift, R² scores varied by height: for 4-story, ETR (0.9388), RF (0.9289), GBR (0.9226); for 8-story, RF (0.9833), GBR (0.9787), ETR (0.9781); for 12-story, GBR (0.9827), ETR (0.9798), RF (0.9622). For maximum drift, XGBoost achieved 0.9684, ETR 0.9678, an‎d RF 0.9612.
  • كليدواژه هاي فارسي
    الگوريتم يادگيري ماشين , قاب خمشي 3 بعدي , آناليز تاريخچه زماني غيرخطي , رفتارسازه , مدل پيشبيني
  • كليدواژه هاي لاتين
    Machine Learning algorithm , 3D RC moment frames , Nonlinear Time History Analysis , Structural behavior , Predictive model
  • Author
    Ali Mohammadi
  • SuperVisor
    Ali Kaveh, Majid Ilchi Ghazaan
    • لينک به اين مدرک
    https://dl.iust.ac.ir/dl/search/default.aspx?Term=34123&Field=0&DTC=6