تحليل كاهندگي تقاضاي لرزه¬اي قابهاي خمشي فولادي برحسب فاصله از گسل
الموضوعات : آنالیز سازه - زلزله
ایوب مهری ده نو
1
,
حسن آقابراتی
2
,
مهدی مهدوی عادلی
3
1 - گروه مهندسی عمران، واحد قزوین، دانشگاه آزاد اسلامی، قزوین، ایران
2 - گروه مهندسی عمران، واحد قزوین، دانشگاه آزاد اسلامی، قزوین، ایران
3 - گروه مهندسی عمران، واحد تهران غرب، دانشگاه آزاد اسلامی، تهران، ایران
الکلمات المفتاحية: تحلیل دینامیکی غیر خطی, آمار بیزین, حوزۀ دور و نزدیک گسل, تقاضای لرزه¬ای,
ملخص المقالة :
در تخمین تقاضای لرزه‌ای سازه¬ها عدم‌قطعیت‌های متعددی وجود دارد که فاصله تا گسل یکی از مهم‌ترین آنها می‌باشد. اما بنظر می‌رسد که با توجه به ماهیت متفاوت حوزه نزدیک گسل، این تأثیر فاصله بر تقاضای لرزه‌ای، در حوزه دور و نزدیک گسل متفاوت خواهد بود. ارزیابی این موضوع و تعیین تفاوت تأثیر فاصله گسل تا ساختگاه بر تقاضای لرزه‌ای قابهای خمشی فولادی در حوزه دور و نزدیک گسل با استفاده از تحلیل دینامیکی غیرخطی و آمار بیزین هدف اصلی در این تحقیق می‌باشد. استفاده از تحلیل دینامیکی غیرخطی بمنظور پوشش دادن رفتار واقعی غیرخطی سازه در سطوح عملکرد نزدیک فروریزش و استفاده از آمار بیزین با هدف پوشش دادن کلیۀ عدم¬قطعیت¬های موجود انتخاب شده است. در تحقیق حاضر و به منظور نیل به اهداف مورد نظر، در دو قاب خمشی فولادی مشابه سه طبقۀ و پانزده طبقه، پس از مدلسازی غیر خطی آنها در محیط نرم افزار اپن¬سیس، تحت اثر پنج گروه چهل¬تایی شتابنگاشت که بجز فاصله تا گسل آنها، سایر مشخصات این شتابنگاشت¬ها یکسان انتخاب شده بود تحلیل دینامیکی غیرخطی افزاینده گردیدند و نتایج حاصل در تعیین تقاضای لرزه¬ای آنها مورد استفاده قرار گرفت که با توجه به اینکه تنها متغیر در این تحلیل فاصله تا گسل می‌باشد، می¬توان اختلاف نتایج را به این متغیر نسبت داد. بر اساس نتایج حاصل در این تحقیق از دیدگاه آماری بین تأثیر تغییرات فاصله بر تقاضای لرزه¬ای در حوزۀ دور و نزدیک گسل تفاوت وجود دارد که این تفاوت تابع متغیرهایی همچون رفتار خود قاب و سطح عملکرد آن خواهد بود.
[1] P. Tothong, N. Luco, Probabilistic seismic demand analysis using advanced ground motion intensity measures. Earthquake Engineering and Structural Dynamic, 36 (13) (2007) 1837–1860.
[2] A. Mehri Dehno, H. Aghabarti, M. Mahdavi Adeli, Bayesian approach for the accuracy evaluating of the seismic demand estimation of SMRF. Earthquakes and Structures, 26 (2) 2024 117-130.
[3] T. T. Liu, D. G. Lu, X. H. Yu, Development of a compound intensity measure using partial least-squares regression and its statistical evaluation based on probabilistic seismic demand analysis, 125 (2019). doi.org/10.1016/j.soildyn.2019.105725
[4] B. R. Ellingwood, Earthquake risk assessment of building structures, Reliability Engineering & System Safety, 74 (3) (2001) 251-262, doi.org/10.1016/S0951-8320(01)00105-3.
[5] S. Ghosh, S. Ghosh, S. Chakraborty, Seismic fragility analysis in the probabilistic performance-based earthquake engineering framework: an overview. International Journal of Advances in Engineering Sciences and Applied Mathematics, (2017). https://doi.org/10.1007/s12572-017-0200-y
[6] G. J. O'Reilly, G. M. Calvi, Conceptual seismic design in performance‐based earthquake engineering, Earthquake Engineering and Structural Dynamic, 48 (4) (20187) 389-411, doi.org/10.1002/eqe.3141
[7] A. Chaudhuri, S. Chakraborty, Reliability of linear structures with parameter uncertainty under non-stationary earthquake, Structural Safety, 28 (3) (2006)
[8]Soraghi A (2021) Probabilistic characterization of bond behavior at rebar-concrete interface in corroded RC structures: experiment, modeling, and implementation. PhD Thesis, University of Akron, Ohio, United States of America.
[9]SoleimaniBabakamali MH, Zaker Esteghamati M (2022) Estimating seismic demand models of a building inventory from nonlinear static analysis using deep learning methods. Engineering Structures 266: 114576, Doi:10.1016/j.engstruct.2022.114576
[10] X. X. Liu, ZY. Wu, F. Liang, Multidimensional performance limit state for probabilistic seismic demand analysis. Bull Earthquake Engineering, 14 (2016) 3389–3408, doi.org/10.1007/s10518-016-0013-6
[11]Taslimi A, Tehranizadeh M The effect of vertical near-field ground motions on the collapse risk of high-rise reinforced concrete frame-core wall structures. Advances in Structural Engineering (2022)25(2):410–25,Doi:10.1177/136943322110561
[12] M. Maleki, R. Ahmady Jazany, M. S. Ghobadi, Probabilistic Seismic Assessment of SMFs with Drilled Flange Connections Subjected to Near-Field Ground Motions. International Journal of Steel Structures, 19 (2019) 224–240. https://doi.org/10.1007/s13296-018-0112-0
[13]Nguyen DD, Lee TH, Phan VT (2021) Optimal Earthquake Intensity Measures for Probabilistic Seismic Demand Models of Base-Isolated Nuclear Power Plant Structures. Energies 14(16):5163, Doi: 10.3390/en14165163
[14] M. Mahdavi Adeli, A. Deylami, M. Banazadeh, M. M. Alinia, A Bayesian approach to construction of probabilistic seismic demand models for steel moment-resisting frames. Sharif University of Technology ScientiaIranica, 18 (4) (2011) 885–894.
[15] M. Mahdavi Adeli, M. Banazadeh, A. Deylami, M.M. Alinia, Introducing a New Spectral Intensity Measure Parameter to Estimate the Seismic Demand of Steel Moment-Resisting Frames Using Bayesian Statistics, Advances in Structural Engineering , 15 (2) (2016) 231-247.
[16] Sh. Shahbazi, I. Mansouri, J. W. Hu, N. Sam Daliri, A. Karami, Seismic Response of Steel SMFs Subjected to Vertical Components of Far- and Near-Field Earthquakes with Forward Directivity Effects, Advances in Civil Engineering, (2019). doi.org/10.1155/2019/2647387
[17] J. Hou, Y. An, S. Wang, Zh. Wang, Ł. Jankowski, and J. Ou, Structural Damage Localization and Quantification Based on Additional Virtual Masses and Bayesian Theory, Journal of Engineering Mechanics, 144 (10) (2018).
[18] F. Jalayer, R. De Risi, G. Manfredi, Bayesian Cloud Analysis: efficient structural fragility assessment using linear regression. Bull Earthquake Engineering 13 (4) (2015) 1183–1203.
[19] A. Brezger, S. Lang, Generalized structured additive regression based on Bayesian P-Splines, Computational Statistics and Data Analysis, 50 (2006) 967-991.
[20] A. Brezger, S. Lang, Simultaneous Probability statements for Bayesian P-Splines, Statistical Modeling, 8 (2008) 141-168.
231-246. doi.org/10.1016/j.strusafe.2005.07.001.
[21] M. Onvani, A. Yahyaabadi, Probabilistic seismic demand analysis of steel moment frames by utilizing Bayesian statistics, European Journal of Environmental and Civil Engineering, (2018), DOI: 10.1080/19648189.2018.1538905
[22] Sh. Kwag, A. Gupta, Probabilistic risk assessment framework for structural systems under multiple hazards using Bayesian statistics, Nuclear Engineering and Design, 315 (2017) 20-34, doi.org/10.1016/j.nucengdes.2017.02.009.
[23] Sh. Kwag, J. Oh, J. M. Lee, Application of Bayesian statistics to seismic probabilistic safety assessment for research reactor, Nuclear Engineering and Design, 328 (2018) 166-181. doi.org/10.1016/j.nucengdes.2018.01.022
[24] M. Ansari, M. Ansari, A. Safiey, Evaluation of seismic performance of mid-rise reinforced concrete frames subjected to far-field and near-field ground motions, 15 (8) (2018) 453-462, doi.org/10.12989/eas.2018.15.5.453 453
[25] R. A. Medina, H. Krawinkler, Evaluation of drift demands for the seismic performance assessment of frames, Journal of Structural Engineering, 131 (7) 2005, 1003-1013.
[26] A. Kaveh, R. Mahdipou Moghanni, S.M. Javadi, Ground Motion Record Selection Using Multi-objective Optimization Algorithms: A Comparative Study. Periodica Polytechnica Civil Engineering. 63 (3) (2019), 812-822. https://doi.org/10.3311/PPci.14354.
[27] D. Bindi, M. Picozzi, D. Spallarossa, F. Cotton, S. R. Kotha, Impact of Magnitude Selection on Aleatory Variability Associated with Ground‐Motion Prediction Equations: Part II—Analysis of the Between‐Event Distribution in Central Italy, Bulletin of the Seismological Society of America, 109 (1) (2019) 251–262. doi.org/10.1785/0120180239
[28] L. Macedo, J.M. Castro, SelEQ: An advanced ground motion record selection and scaling framework, Advances in Engineering Software, 114 (2017)32-47. doi.org/10.1016/j.advengsoft.2017.05.005.
[29] L. Tian, H. Pan, R. Ma, Probabilistic seismic demand model and fragility analysis of transmission tower subjected to near-field ground motions, Journal of Constructional Steel Research, 156 (2019) 266-275, doi.org/10.1016/j.jcsr.2019.02.011.
[30] D. Vamvatsikos, M. Fragiadakis, Incremental dynamic analysis for estimating seismic performance sensitivity and uncertainty. Earthquake Engineering and Structural Dynamic, 39 (2) (2010) 141–163.
[31] M. Mahdavi Adeli, M. Banazadeh, A. Deylami, Bayesian approach for determination of drift hazard curves for generic steel moment-resisting frames in territory of Tehran, 9 (3) 2011 145-154.
