طراحی مدل‌ساز شبکه عصبی در مقطع تیر کاهش‌یافته بر اساس داده‌های GA بهینه سازی شده
الموضوعات : آنالیز سازه - زلزلهسید اسحاق موسوی 1 , hassanali mosalman yazdi 2 , محمدرضا مسلمان یزدی 3
1 - گروه مهندسی عمران، واحد میبد، دانشگاه آزاد اسلامی، یزد، ایران
2 - azad university meybod, iran
3 - استادیار، گروه مهندسی عمران، واحد میبد، دانشگاه آزاد اسلامی، یزد، ایران
الکلمات المفتاحية: تیر کاهش یافته, مقطع, مدل ساز, ABAQUS, الگوریتم ژنتیک, شبکه عصبی,
ملخص المقالة :
امروزه راه‌حل‌های مهندسی که ایمنی ساکنین را تضمین می‌کند و در عین حال به نگرانی‌های اقتصادی توجه می‌کند، در مهندسی سازه مطرح می‌شوند. محققین سازه در ساخت سازه‌های فلزی با آزمایش‌های دقیق، اتصالات با سطح مقطع کوچکتر را مورد مطالعه قرار دادند که عملکرد رضایت‌بخشی را در قاب‌های خمشی فولادی تحت بارهای چرخه‌ای مختلف نشان داده است. یک نقص قابل توجه در تحقیقات قبلی عدم تمرکز بر مقرون‌به‌صرفه بوده است. علاوه بر این، مطالعات موجود به جای تلاش برای ابعاد بهینه در این روابط، عمدتاً بر انواع منحصربفرد اتصالات متمرکز شده‌اند یا به شدت بر روش‌های آزمون و خطا تکیه کرده‌اند. این مطالعه تجزیه‌و‌تحلیل و بهینه‌سازی انواع مختلف اتصالات را ارائه می‌دهد. به طور خاص، اتصالات بخش مقطع کاهش‌یافته(RBS) با استفاده از نرم‌افزار ABAQUS از طریق تحلیل دینامیکی و روش‌های عددی مدل‌سازی شدند. در ادامه، خروجی این تحلیل‌ها با استفاده از الگوریتم ژنتیک (GA) در متلب پردازش شد. داده‌های بهینه تولید شده توسط GA به عنوان ورودی مناسب برای مدل‌سازی شبکه‌های عصبی عمل می‌کند و اصلاح طرح‌ها را تسهیل می‌کند. با استفاده از دو شبکه عصبی، طول و مقطع بهینه اتصالات RBS تعیین می‌شود که منجر به نتایج طراحی دقیق‌تر، افزایش کارایی طراحی، کاهش زمان اجرای پروژه و در نهایت صرفه‌جویی در هزینه می‌شود.
[1] Bastani. A. Erfani. S. Comparison of seismic performance of reduced sections in wings and reduced sections in web. 3rd National conference of civil engineering. Architecture and urban planning. 2015.
[2] Iwankiw. N. Seismic design enhancements and the reduced beam section detail for steel moment frames. Practice Periodical on Structural Design and Construction. 2004. 9(2). 87-92.
[3] Toğan. V. Design of planar steel frames using teaching–learning based optimization.Engineering Structures. 2012. 34. 225-32.
[4] Abiodun. O. I. Jantan. A. Omolara. A. E. Dada. K. V. Mohamed. N. A. & Arshad. H. State-of-the-art in artificial neural network applications: A survey. Heliyon. 2018. 4(11). e00938.
[5] Lu. P. Chen. S & Zheng. Y. Artificial Intelligence in Civil Engineering. Mathematical Problems in Engineering. 2012. 145974. 22 page.
[6] Reich. Y. Machine Learning Techniques for Civil Engineering Problems. Computer-aided civil and infrastructure engineering. 2002. 12(4). 295-310.
[7] Chen. H. M. Tsai. K. H. Qi. G. Z. Yang. J. C. S. & Amini. F. Neural Network for Structure Control. Journal of Computing in Civil Engineering. 1995. 9(2). 168-176.
[8] Kartam. N. Flood. I. & Garrett. J. H. Artificial Neural Networks for Civil Engineers: Fundamentals and Applications. Civil Engineering Database. ASCE. 1997.
[9] Vanluchene. R. D. & Sun. R. Neural networks in structural engineering. Computer‐Aided Civil and Infrastructure Engineering. 1990. 5(3). 207-215.
[10] Lim. T. K. Park. S. M. Lee. H. C. & Lee. D. E. Artificial neural network–based slip-trip classifier using smart sensor for construction workplace. Journal of Construction Engineering and Management. 2016. 142(2). 04015065.
