بخشی از مقاله
خلاصه
منحنی شکنندگی برای یک حالت حدی نشان دهنده احتمال فراگذشت میزانی از آسیب در سازه تحت زلزله ای با شدت مشخص است. در این مقاله با استفاده از شبکه عصبی مصنوعی منحنی شکنندگی فروریزش در سازه فولادی خمشی با در نظر گرفتن اثرات تغییرات موجود در پارامترهای مدل ممان - چرخش اصلاح شده ایبارا -کراوینکلر پیش بینی شده است.
آموزش شبکه مورد نظر با استفاده از دادههای ورودی منتج از تعداد محدودی شبیهسازی متغیرهای مدلسازی بر مبنای توزیعهای احتمالی آنها و مقادیر خروجی میانگین و انحراف استاندارد منحنیهای شکنندگی فروریزش خواهد بود
. دو شبکه دولایه با استفاده از دادههای به دست آمده از تحلیل دینامیکی افزایشی، آموزش و صحت سنجی شدهاند و سپس منحنی شکنندگی فروریزش با استفاده از دادههای ورودی همخانواده و البته متفاوت از دادههای آموزش بر مبنای شبکه آموزش دیده تخمین زده میشود . رویکرد حاضر جهت دستیابی به تقریب منحنی آسیب در فرآیندهایی مانند بهینهسازی سازهها تحت بار زلزله یا قابلیت اعتماد لرزه ای سازه ها جهت کاهش تلاش محاسباتی و با دقت بسیار بالا و قابل قبول در امور حیطه مهندسی سازه و زلزله به کار گماشته شود.
-1 مقدمه
هدف از طراحی لرزه ای بر اساس عملکرد، تعیین سازه هایی است که در برابر اثرات احتمالی زلزله با شدتهای مختلف عملکرد مناسبی را داشته باشند. در سالهای اخیر حالت حدی فروریزش جانبی، که بهصورت ناپایداری جانبی سازه تحت جنبشهای شدید زمین تعریف میگردد، توجه بسیاری از محققیق را به خود معطوف نموده است .[3-1] فروریزش ساختمانها یکی از عوامل اساسی خسارتهای مالی و جانی در زلزلههای گذشته بوده است 4] و .[5 علاوه بر این مسئله، جلوگیری از فروریزش سازهها دغدغه دستورالعملهای نیرویی، عملکردی و نوین ارزیابی سازهها در برابر زلزله میباشد .[8-6] استفاده از الگوهای پیشبینی دقیقتر بهمنظور تعیین ظرفیت فروریزش سازهها، با در نظر گرفتن منابع مختلف عدم قطعیتها به نتایج قابلاطمینانتر در ارزیابی لرزهای سازهها، تحلیل خطرپذیری سازهها در برابر زلزله و مدیریت عواقب ناشی از زلزله منتهی خواهد شد.
دو منبع عدم قطعیت اصلی بر احتمال فروریزش سازهها تأثیرگذار هستند. این منابع شامل عدم قطعیت تصادفی، ناشی از طبیعت ذاتی جنبشهای شدید زمین و عدم قطعیت دانش، ناشی از کمبود دانش و نادقیق بودن مدلهای احتمالی میباشند. در تعیین احتمال فروریزش، خصوصیت جنبشهای شدید زلزله، همانند مدتزمان شتابنگاشت زلزله، محتوای فرکانسی زلزله و پارامتر شدت زلزله بهعنوان عدم قطعیتهای تصادفی و فرضیات استفاده شده در تعیین مدل مورداستفاده بهعنوان بخش عدم قطعیتهای دانش طبقهبندی میشوند
بهمنظور کاهش حجم محاسبات موردنیاز درروش مونتکارلو، روش سطح پاسخ به همراه شبیهسازی مونتکارلو در تحقیقات قبل استفاده شده است
محدودیت اصلی روش مونتکارلو برمبنای سطح پاسخ، فرض تابع تحلیلی مشخص بهمنظور پیشبینی مقادیر میانگین و انحراف استاندارد منحنی شکنندگی فروریزش است. علاوه بر این هر چه تابع تحلیلی مورداستفاده پیچیدهتر باشد، بایستی دادههای بیشتری در دسترس باشد تا ضرایب ثابت تابع موردنظر تعیین گردند. از سوی دیگر، شبکههای عصبی مصنوعی برای تقریبسازی هر نوع تابع تحلیلی قابلاستفاده هستند.
لی[10] 1، ثابت نموده است که هر تابع چند متغیره و مشتقات جزئی آن را با استفاده از شبکههای عصبی مصنوعی میتوان تخمین زد.
در مطالعات محدودی از رویکرد شبکه مصنوعی در تخمین منحنیهای شکنندگی حالات حدی مختلف استفاده شده است. مطالعاتی که توسط لاگاروس2 و فراگیداکیس[11] 3 انجامشده است از شبکه عصبی به منظور تعیین سریع احتمال حالات حدی مختلف و توسط پاپادراکاکیس[12] 4، به منظور تعیین آسیبپذیری سدهای بتنی و توسط لاگاروس و همکاران [13] برای اثرات تصادفی خصوصیات مصالح در منحنیهای شکنندگی استفاده نمودهاند. در تحقیقات قبل اثرات پارامترهای تصادفی به عنوان منبع اصلی پارامترهای تصادفی در نظر گرفتهشدهاند.
در این مقاله به منظور پیش بینی منحنی احتمالی فروریزش سازه ها، تحت شرایط متغیر پارامترهای مدلسازی از رویکرد شبکه عصبی استفاده شده است. بدین منظور مقادیر میانگین و انحراف استاندارد منحنی احتمالی فروریزش با استفاده از آموزش شبکه عصبی برای پیش بینی می گردد. با استفاده از شبیه سازی پارامترهای مربوط به مدلسازی رفتار ممان - چرخش اتصالات سازه فولادی خمشی، سازه های فراوانی تولید می گردند، همچنین با استفاده از تحلیل دینامیکی افزایشی منحنی احتمالی فروریزش برای هر کدام از مقادیر شبیه سازی شده پارامترهای مدلسازی تعیین می گردد.
مقادیر پارامترهای مدلسازی به عنوان ورودی شبکه مورد نظر، و مقادیر میانگین و انحراف استاندارد منحنی شکنندگی فروریزش به عنوان پارامترهای خروجی در نظر گرفته می شود. شبکه عصبی آموزش دیده در قدمهای بعدی طراحی سازه ها در برابر اثرات احتمالی جنبشهای شدید زمین، در روندهایی مانند بهینه سازی لرزه ای و قابلیت اعتماد لرزه ای سازه ها قابل استفاده خواهد بود.
-2 تعیین منحنی شکنندگی
تحلیل دینامیکی افزایشی، روشی معمول در تعیین منحنی شکنندگی حالات حدی مختلف در سازهها تحت اثرات زلزله میباشد .[14] هر منحنی با استفاده از چندین تحلیل دینامیکی غیرخطی سازه موردبررسی تحت رکوردهای زلزله با مقادیر شدتهای فزاینده به دست میآید. این منحنیها نشاندهنده پارامتر پاسخ سازه، به عنوان پارامتر نیاز مهندسی - 5EDP - در برابر مشخصه مورد نظر زلزله، به عنوان پارامتر شدت زلزله - IM - ؛ میباشند. تغییرات EDP ناشی از طبیعت تصادفی شدت زلزله با استفاده از انتخاب چندین جنبش شدید زمین در تحلیل دینامیکی غیرخطی لحاظ میگردد. برازش منحنی احتمالی بر نقاطی که نماینده حالت حدی مورد نظر میباشند، نشان دهنده منحنی شکنندگی سازه مفروض برای حالت حدی مورد مطالعه میباشد.
در تحقیقات گذشته نشان داده شده است که توزیع احتمال لوگ-نرمال توزیع احتمالی بهینه برای بیان منحنی شکنندگی فروریزش است .[15] با استفاده از توزیع احتمالی لوگ-نرمال ، معادله شکنندگی به صورت معادله - 1 - به دست خواهد آمد:
که در این معادله Φ نشاندهنده تابع توزیع گوسی؛ μC مقدار میانگین و σC پراکندگی تابع احتمالی فروریزش است. خجستهفر و همکاران به منظور پیشبینی مقادیر میانگین و انحراف استاندارد منحنی شکنندگی فروریزش از
شبکه عصبی مصنوعی با ورودیهای پارامترهای مدلسازی و جنبشهای شدید زمین استفاده نمودند .در این مقاله ورودی شبکه عصبی به صورت مقادیر مختلف پارامترهای مدلسازی لحاظ شده است.
-3 روش پیشنهادی در تعیین تأثیر پارامترهای مدلسازی در منحنی شکنندگی
شکل -1 ساختار شبکه پیشنهادی جهت تخمین مقدار میانگین و انحراف استاندارد منحنی شکنندگی
ساختار شبکه پیشنهادی در شکل نشان داده شده است. لایه ورودی شبکه نشان داده شده، پارامترهای مدلسازی سازه نمونه و لایه خروجی، میانگین و انحراف استاندارد تابع شکنندگی فروریزش خواهد بود. لایه پنهان شامل تعداد نرون مصنوعی است. تعداد نرونها در لایه پنهان به عنوان اندازه لایه پنهان نامیده میشود. هرکدام از نرونها در لایه پنهان توسط اتصالاتی به لایه ورودی متصل میگردند که این اتصالات همراه با وزن اتصال، تابع تحریک و میزان انحراف همراه خواهد بود.
ماتریسهای وزن و بردارهای انحراف با استفاده از دادههای آموزش شبکه چنان تنظیم میشوند که خطای پیشبینی را کمینه نماید. در این مقاله دادههای آموزش با استفاده از شبیهسازی متغیرهای مدلسازی و تحلیل آسیبپذیری سازه نمونه با فرض مقادیر شبیهسازیشده برای پارامترهای مدلسازی سازه، به دست آمدهاند. برای پیشبینی مقادیر میانگین و انحراف استاندارد منحنی شکنندگی فروریزش دو شبکه عصبی جداگانه طراحی و آموزش داده شدهاند.
آموزش شبکه عصبی شامل تعریف ساختار شبکه، تنظیم مقادیر وزنها و انتخاب توابع تحریک استمعمولاً. درصدی از دادههای موجود - بهعنوانمثال - %80 به منظور آموزش شبکه استفاده میشود و مابقی دادههای موجود به عنوان دادههای صحتسنجی و آزمون پیشبینی شبکه استفاده میگردند. تعداد نرونهای لایه پنهان بایستی چنان انتخاب گردد که میزان خطای پیشبینی را مینیمم نماید، از سوی دیگر این تعداد نبایستی آنقدر زیاد باشد که شبکه برای مقادیر ورودی که در دادههای آموزش شبکه موجود نیستند، مقادیر نادقیقی را پیشبینی نماید.
