تولید شتابنگاشت مصنوعی زلزله با استفاده از شبکه عصبی فازی
محورهای موضوعی : آنالیز سازه - زلزلهپیمان شادمان 1 , مهدی امری 2 , محمد خراسانی 3
1 - باشگاه پژوهشگران جوان
2 -
3 - دانشگاه علم و صنعت ایران
کلید واژه: شبکه عصبی فازی, شتاب نگاشت مصنوعی, آنالیز موجک پکت, ضرایب موجک,
چکیده مقاله :
نیاز روزافزون به تحلیل دینامیکی تاریخچه زمانی و عدم وجود شتابنگاشت های مناسب در مناطق مختلف، تولید شتابنگاشت های مصنوعی سازگار با طیف طرح را ضروری می سازد. هدف اصلی این تحقیق ارائه روشی نوین، بر اساس تبدیل بسته موجک و روش های هوش مصنوعی برای تولید شتابنگاشت مصنوعی زلزله سازگار با طیف طرح بر اساس مقدار بزرگا، فاصله از گسل و طیف مربوطه می باشد. در این تحقیق از شبکه های عصبی فازی و آنالیز موجک پکت برای رسیدن به هدف مورد نظر استفاده خواهد شد. روش کار بدین صورت است که ابتدا شتابنگاشتهای زلزله با توجه به شرایط ساختگاهی مشخص، بزرگا و فاصله از مبداء زلزله جمع آوری شده و سپس طیف این شتابنگاشت ها برای آموزش با شبکه های عصبی فازی بدست می آید. طیف های کاهندگی بر اساس اطلاعات موجود در منطقه با استفاده از روش های رگرسیون گیری غیر خطی ریاضی بدست آمده و سپس با استفاده از شبکه های عصبی فازی ارتباط بین رکورد های زلزله و طیف های بدست آمده از هر رکورد بدست می آید. در این بخش با استفاده از آنالیز موجک پکت شتابنگاشت ها به زیرشتابنگاشت ها (ضرایب موجک) تجزیه شده و در مرحله بعد با کمک گرفتن از شبکه های عصبی فازی رابطه بین طیفهای پاسخ شتابنگاشت ها با ضرایب موجک پکت بدست می آید.
There is a growing need for dynamic time history analysis and the absence of proper records in different areas has necessitatedthe production of artificiallaccelerograms compatible with the whole plan. This study presents a new approachbased on wavelet packet transform and artificial intelligence techniques to produce artificial earthquake accelerograms compatible with the whole plan. This approachtakes into account the magnitude and the distance from the fault. The study of neural networks and fuzzy wavelet packet analysis has been used to achieve the desired goal. To do so, first earthquake accelerograms have been collected according to specific site conditions, earthquake magnitude and distance from origin.Then all records have been gatehered for training with fuzzy neural network. Attenuation spectra have been developed on the basis of information in the area using nonlinear regression. Then using fuzzy neural networks, the relationship between earthquake records and the devloped spectra from each record is calculated. In this satge, using wavelet packet analysis, mapping acceleration are analyzed and converted intoaccelerograms (wavelet coefficients)
_||_