بخشی از مقاله
چکیده
حوادث طبیعی از جمله موضوعات مهم جوامع بشری است که به نوعی در زندگی انسانها نقش تعیین کنندهایی داشته است و در شرایط کنونی بسیاری از آنها خارج از کنترل انسان به نظر میرسد اما میزان آسیب نتیجه عملکرد عوامل انسانی است و همانطور که واقفیم پیشگیری از حادثه بهتر از واکنش در مقابل حادثه است، لذا ارتقای دانش و آگاهی عمومی فرد، عامل مهمی در کاهش اثرات بلایای طبیعی محسوب میشود.
به عنوان مثال یکی از مهیبترین و خسارت بارترین بلایای طبیعی در دنیای امروز، بالاخص کشورمان ایران، پدیده زلزله میباشد. امروزه روند تحلیل خطر و خطرپذیری زلزله برپایه محاسبات آمار و احتمالاتی استوار است که دارای معایبی ازجمله عدم قطعیت ها و گنگی ها در پارامترها و روشهای آن میباشد در این مقاله، با استفاده از ابزار فازی- عصبی و دسته بندی سازه ها به سطح پذیرش خطر لرزه ای با توصیف کیفی اقدام شده است. هدف از این تحقیق، تهیه مدلی است که بتواند مطالعات تحلیل ریسک زلزله و نتایج آن را دقیقتر و سریعتر به انجام رساند.
از جمله مهم ترین مزایای روش پیشنهادی می توان به امکان مدل کردن عدم قطعیت ها، طبقه بندی ورودی ها و بدست آوردن اطلاعات قطعی را از ورودیهای ناقص یا فازی، ورود اطلاعات برداشت شده از سازه به صورت کیفی و سرعت بسیار بالای روند تحلیل ریسک، اشاره کرد .بدین منظور، برای بررسی کارایی روش پیشنهادی، مدل طرح شده روی تعدادی از مدارس شهرکرد و حومه، آزمایش شد که نتایج حاکی از کارایی مناسب آن است.
مقدمه
حوادث طبیعی از جمله موضوعات مهم جوامع بشری است که به نوعی در زندگی انسانها نقش تعیین کنندهایی داشته است. بلایای طبیعی به مجموعهایی از حوادث زیانبار گفته میشود که منشإ انسانی ندارد این حوادث معمولاٌ غیر قابل پیش بینی بوده و یا حداقل از مدتهای طولانی قبل نمی توان وقوع آنها را پیش بینی نمود. بلایای طبیعی اصولاً ماهیتی پیچیده دارند و در شرایط کنونی بسیاری از آنها خارج از کنترل انسان به نظر میرسد اما میزان آسیب نتیجه عملکرد عوامل انسانی است و همانطور که واقفیم پیشگیری از حادثه بهتر از واکنش در مقابل حادثه است، لذا ارتقای دانش و آگاهی عمومی فرد، عامل مهمی در کاهش اثرات بلایای طبیعی محسوب میشود.
یکی از مهیبترین و خسارت بارترین بلایای طبیعی در دنیای امروز، بالاخص کشورمان ایران، پدیده زلزله میباشد که سالانه خسارتهای هنگفت مالی و جانی زیادی با سطوح مختلف به همراه دارد، میزان پذیرش این آسیب ها، نتیجه عملکرد پیش بینی شده برای سازه، بر اساس مطالعات تحلیل خطر میباشد. امروزه روند تحلیل خطر و خطرپذیری زلزله برپایه محاسبات آمار و احتمالاتی استوار است.
تحلیل خطر زلزله عبارت است از تحلیل احتمالاتی روی شدت زلزله، تعداد دفعات و محل وقوع آن؛ حال آنکه، تحلیل خطرپذیری زلزله یا تحلیل ریسک زلزله عبارت است از تحلیل روی اطلاعات برداشت شده از موقعیت سازهای موجود و مجاورت آن با عوامل لرزه زا که نتیجه این تحلیل، ارزیابی میزان اختلاف سازه با استانداردهای موجود کنونی در زمینه طراحی و اجراست. اما تحلیل خطر وروشهای آن مزایا و معایبی دارند که معایب آن به دلیل عدم قطعیت ها و گنگی ها در پارامترها و روشهای آن میباشد که با روشهای نوین علم روز میتوان به نتایج دقیقتر و مستدلتر رسید. از جمله این روشها استفاده از انواع شبکه های عصبی مصنوعی مثل منطق فازی، شبکه های فازی-عصبی، الگوریتم ژنتیک و غیره می باشد.
امروزه برای تعیین میزان پذیرش خطر سازه ها در مطالعات بهسازی، بصورت گسترده ایی از آئین نامه های ATC و FEMA و موارد مشابه به آن استفاده میشود. روند مطالعه ی کامل و کنترل بند بند ضوابط این آیین نامه ها،غالباً امری وقت گیر و هزینه بر است. از طرف دیگر، بسیاری از سازه های موجود به قدری از استانداردهای طراحی دورند که ارزش ارزیابی تفضیلی را ندارند. بر این اساس، آیین نامه های مذکور از چک لیست های ارزیابی سریع برای تهیه ی شناسنامه ی فنی سازه های مورد مطالعه در فرایند به سازی، استفاده می کنند .اطلاعات حاصله از چک لیست های ارزیابی سریع سازه ها، باعث می شود تا تصمیم گیری راحت تر و سریع تر صورت پذیرد بدین صورت که:
1. اگر سازه با استانداردهای موجود در آئین نامه ها مطابقت داشته باشد و میزان پذیرش خطر کم باشد به ادامه مطالعات بهسازی نیازی نمی باشد و میزان پذیرش خطر لرزه ایی متناسب با سطح عملکرد سازه است.
2. چنانچه سازه با استانداردهای موجود در آئین نامه مطابقت نداشته باشد باید مطالعات بهسازی ادامه داشته باشد.
3. اگر سازه با استانداردها مطابقت نداشته باشد و سطح پذیرش خطر آن بالا باشد دیگر نیازی به ادامه مطالعات بهسازی نبوده است و باید تخریب یا تغییر کاربری انجام شود. ما در این تحقیق از آئین نامه های 360 و364 جهت ارزیابی سازه ها استفاده نموده ایم بطوریکه اطلاعات بهسازی جمع آوری و امتیاز دهی شد که سازه ها در سه گروه مقاوم در برابر زلزله، نیمه مقاوم - نیازمند به مقاوم سازی - و غیرمقاوم - تخریبی - تقسیم بندی و براساس امتیاز کسب شده در این سه گروه قرار گرفته شد. سپس با توجه به اطلاعات بهسازی و تقسیم بندی انجام شده، از طریق سیستمهای فازی- عصبی - نروفازی - Neuro-Fuzzy و با استفاده از نرم افزار MATLAB شاخه ANFIS به آنالیز و تشخیص تحلیل ریسک منطقه مورد نظر می پردازیم.
2. شبکه فازی- عصبی - نروفازی -
مدل فازی- عصبی نروفازی که توسط چک و همکارانش - - C. K. Chak et al طراحی گردید، می تواند با استفاده از یادگیری رقابتی و الگوریتم کالمن فیلتر - - Kalman filter به تولید قوانین و بهینه سازی توابع عضویت خود بپردازد. فاراگ و همکارانش - - W.A. Farag et al ، یک سیستم نروفازی با قابلیت بکارگیری هر دو دانش کیفی و کمی را ارئه نمودند. چو و همکارانش - - M. Chow et al در یک روش نروفازی جالب برای اعمال محدودیت های هیوریستیک در توابع عضویت با در نظر گرفتن دانش در قالب قوانین مستخرج از اطلاعات محدود، ارائه می دهند در این مطالعه به طور کلی هیچ ایده قانون محوری برای اعتبارسنجی قوانین مستخرج وجود ندارد.
سیستم نروفازی ترکیبی از شبکههای عصبی و منطق فازی است که امکان ترسیم دانش شبکه های عصبی را با استفاده از منطق فازی بطور کامل امکان پذیر مینماید - . - Pradhan,Oh,2011 یک سیستم نروفازی در حقیقت یک شبکه عصبی است که از لحاظ ساختار مشابه با سیستم استنتاج فازی است . - Pradhan,Oh,2011 - واژهی فازی در لغت به معنای مبهم، گنگ، نادقیق، مغشوش، درهم و نامشخص می باشد.
گرچه تئوری فازی به منظور مدل کردن پدیده های غیر خطی و نامشخص به کار می رود، ولی خود تئوری فازی، یک تئوریکاملاً دقیق می-باشد. به کمک این تئوری منطق انسانی و زبان طبیعت وارد ریاضی ات میگردد. علم فازی ابزار مناسبی است که هم به عنوان یک روش تصمیم گیر در حل مسائل به کار برده میشود و هم اینکه عدم قطعیت ها وگنگی ها را مدل سازی مینماید. اما شبکه های - ANN - یا به زبان ساده تر شبکه های عصبی مصنوعی، سیستمها و روشهای محاسباتی نوینی هستند که برای یادگیری سیستماتیک ماشینی، نمایش علمی دادهها و در انتها اعمال دانش بدست آمده در جهت پیش بینی پاسخهای خروجی از سامانههای پیچیده هستند.
شبکههای عصبی را میتوان با اغماض زیاد، مدلهای الکترونیکی از ساختار عصبی مغز انسان نامید. شبکه های عصبی مصنوعی که از تعداد زیادی از عناصر پردازش به شدت به هم پیوسته - گره ها یا واحد - که معمولا به صورت موازی کار میکند و در معماری به طور منظم پیکربندی شده اند تشکیل شده اند که نورون - - Neuron نامیده میشوند. مطابق شکل - 1 - یک نورون معمولی دارای سه بخش عمده، سلولها ی بدن و یا سوما، که در آن سلول هسته واقع شده است،
دندریتها و آکسون - - Axons and dendrites میباشد. دندریت شبکه، درختی از فیبر عصبی متصل به جسم سلولی میباشد. آکسون ابزار غیر خطی است که یک، اتصال استوانه طولانی، که از جسم سلولی و با انگیزه حمل سیگنال - پالسهای ولتاژ که پتانسیل عملکرد یا spike نامیده میشوند، تولید میکند که در حدود چند هزارم ثانیه طول می کشند - از نورون است. انتهای یک آکسون، تقسیم به رشته و یا یک آرایش درختی میشود.
در هر انتهای رشته در یک اندام لامپی شکل کوچک، که محل تماس دو عصب است و سیناپس - Synapses - نامیده میشود، نورون سیگنال خود را به نورونهای همسایه منتقل میکند. دو سر دریافت کننده این اتصالات، بر روی سلولهای عصبی مجاور را میتوان در هر دو دندریت و بر دیواره سلولی خود را یافت. شبکه های عصبی، اطلاعات را بر اساس الگوریتم - - Algorithms سلسله مراتبی پردازش نمی کنند.
پردازش در شبکه های عصبی بر اساس تجزیه موازی اطلاعات پیچیده به عناصر اصلی آن صورت میگیرد. همانطور که میتوان یک نور رنگی را به طول موجهای اصلی و دامنه متناظر آنها تجزیه کرد و هر زمان که لازم باشد میتوان با ترکیب آنها دقیقاٌ همان رنگ را بوجود آورد، یک شبکه عصبی نیز با تجزیه اطلاعات به عناصر پایه و با حفظ آن عناصر و روابط حاکم بین آنها در حافظه، آن اطلاعات را میآموزد.
شکل - - a - : - 1دیاگرام شماتیک از یک سلول عصبی بیولوژیکی، - b - اتصالات سیناپسی.
هر کدام از شبکههای عصبی و سیستم فازی، دارای نواقص مربوط به خود هستند. وقتی سیستمی تنها با شبکههای عصبی طراحی میشوند، شبکه بصورت جعبه سیاهی است که احتیاج به تعریف شدن دارد. این مسئله، یک فرایند شدیداٌ محاسباتی و سنگین است. در سیستمهای فازی هیچ یادگیری وجود ندارد؛ اگرچه بصورت مبهم باید روابط ورودیخروجی و قواعد فازی معلوم باشد. مأموریت قوانین اگر-آنگاه فازی ساخت دانش کارشناس است که از شبکه عصبی به منظور بهینه سازی توابع عضویت جهت کمینه کردن نرخ خطا در خروجی استفاده میگردد. یک سیستم نروفازی میتواند رفتار سیستم را از یک مجموعه داده با اندازه کافی بزرگ آموزش ببیند و بطور اتوماتیک قوانین فازی و مجموعه فازی با یک سطح دقت از پیش تعیین شده ایجاد کند.
