طراحی مدل‌ساز شبکه عصبی در مقطع تیر کاهش‌یافته بر اساس داده‌های GA بهینه سازی شده
محورهای موضوعی : 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
کلید واژه: تیر کاهش یافته, مقطع, مدل ساز, ABAQUS, الگوریتم ژنتیک, شبکه عصبی,
چکیده مقاله :
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.
Nowadays, engineering solutions, that guarantee the safety of residents and at the same time pay attention to economic concerns, are proposed in structural engineering.structural Researchers have investigated connections with smaller cross-section in metal structures, demonstrating satisfactory performance in steel bending frames under various cyclic loads. A significant shortcoming of previous research has been the insufficient focus on cost-effectiveness. In addition, many studies have predominantly concentrated on specific types of connections or relied heavily on trial-and-error methods instead of optimizing the dimensions of these connections. This study presents the analysis and optimization of various joint types. Specifically, Reduced Beam Section (RBS) joints were modeled using ABAQUS software through dynamic analysis and numerical methods. The outputs from these analyses were then processed using a genetic algorithm (GA) in MATLAB. The optimal data generated by the GA served as suitable input for neural network modeling, facilitating design refinements. Utilizing two neural networks, the optimal length and cross-section of RBS connections were determined, resulting in more accurate design outcomes, enhanced design efficiency, reduced project execution time, and ultimately, cost savings.
[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.
