Optimal Shape Investigation of Masonry Arch Bridges under Dynamic Loads Using Support Vector Machine

Subject Areas : Machine learning

kaveh kumarci ¹

1 -

Received: 2024-12-05 Accepted : 2025-02-15 Published : 2025-04-05

Keywords: شکل بهینه, قوس, بنایی, بارهای استاتیکی و دینامیکی, تحلیل خطی و غیرخطی, تنش کششی, ماشین بردار پشتیبان,

Abstract :

هدف اصلی این مقاله تعیین شکل بهینه قوس‌های بنایی تحت بارهای دینامیکی با استفاده از تکنیک ماشین بردار پشتیبان (SVM) است. در روش SVM، اصول کاهش ریسک ساختاری (SRM) به کار گرفته می‌شوند، در حالی که روش‌های دیگر از اصول کاهش ریسک تجربی (ERM) استفاده می‌کنند. نشان داده شده است که اصول SRM از نظر عملکرد نسبت به ERM برتری دارند. شایان ذکر است که ماشین بردار پشتیبان معمولاً در مسائل طبقه‌بندی و رگرسیون با دو یا چند گروه استفاده می‌شود. در این مقاله، تأکید بیشتری بر انواع قوس‌های مورد استفاده در سازه‌های سنتی و اهمیت و کاربرد آن‌ها شده است. مراحل مدل‌سازی، تحلیل دینامیکی و بهینه‌سازی شکل قوس که با استفاده از نرم‌افزار ANSYS 11 و ماشین بردار پشتیبان انجام شده‌اند، به طور کامل برای قوس نیم‌دایره‌ای توضیح داده شده است.

References:

[1] Choopra, Anil, translated by Shapoor Tahooni, The structural dynamics and determination of earthquake load#
[2] The results of Kharagan tower and Emamzadeh Mansoor bricks tests in Qazvin, Soil technical and mechanical laboratory in Qazvin, No.002/21/002+2,1381#
[3]Common Rules for Reinforced and Unreinforced Masonry Structures, ,Part 1, Design of Masonry Structures, Eurocode 6,1996.#
[4]Drysdale,R.G., Hamid,A.A., Baker,L.R., , Masonry Structures Behavior and Design, Prentice Hall, New Jersey, USA,1994
[5]General Rules, Seismic Actions and Rules for Buildings, Design of Structures for Earthquake Resistance, Part 1, Draft No.6, Eurocode 8, 2003.#
[6]Bsthe,K,J., The element procedures in engineering analysis, Prentice -Hall, Englewood Cliffs, 1982.#
[7]Hughes,T.J.R., The finite element method linear static and dynamic finite element analysis, Prentice-hall, Inc, Englewood Cliffs,NJ,1987.#
[8] Rao.SS., Optimization and applications, 1984,Wiley Eastern, New Delhi. #
[9] Gratte,N.Vanderplaates, Numerical optimization techniques for engeineeringdesign, McGraw-Hill publishing CO.#
[10]ANSYS Help System, Analysis Guide, Ver 11.#
[11]Nello Cristianini and John Shawe-Taylor. An Introduction to Support Vector Machines and other kernel-based learning .methods. Cambridge University Press, 2000. ISBN 0-521-78019-5 SVM Book#
[12]Huang T.-M., Kecman V., Kopriva I. (2006), Kernel Based Algorithms for Mining Huge Data Sets, Supervised, Semi-supervised, and Unsupervised Learning, Springer-Verlag, Berlin, Heidelberg, 260 pp. 96 illus., Hardcover#
[13]Vojislav Kecman: "Learning and Soft Computing — Support Vector Machines, Neural Networks, Fuzzy Logic Systems", The MIT Press, Cambridge, MA, 2001.#
[14]Vladimir Vapnik, S.Kotz "Estimation of Dependences Based on Empirical Data" Springer, 2006. ISBN 0-387-30865-2, 510 pages [this is a reprint of Vapnik's early book describing philosophy behind SVM approach. The 2006 Appendix describes recent development.#
[15]Dmitriy Fradkin and Ilya Muchnik "Support Vector Machines for Classification" in J. Abello and G. Carmode (Eds) "Discrete Methods in Epidemiology", DIMACS Series in Discrete Mathematics and Theoretical Computer Science, volume 70, pp. 13–20, 2006. Succinctly describes theoretical ideas behind SVM.#
[16]Kristin P. Bennett and Colin Campbell, "Support Vector Machines: Hype or Hallelujah?", SIGKDD Explorations, 2,2, 2000, 1–#. Excellent introduction to SVMs with helpful figures