بررسی پارامترهای تاثیرگذار بر پدیده فروپاشی پیشرونده در سازه های فولادی به کمک شبکه عصبی مصنوعی

سال انتشار: 1401
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 57

فایل این مقاله در 18 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

JR_JNACE-6-2_003

تاریخ نمایه سازی: 11 مهر 1401

چکیده مقاله:

بر اساس آیین نامه بارگذاری ساختمان آمریکا خرابی پیش رونده به صورت گسترش خرابی در یک سازه از یک المان به المان دیگر به طوری که در نهایت منجر به خرابی کل سازه و یا بخش عمده ای از آن می شود، تعریف می شود عواملی که می توانند منجر به این نوع خرابی شوند، عبارتند از: ضربه اتومبیل، انفجار گاز، برخورد هواپیما، خطای ساخت، آتش سوزی، بارگذاری تصادفی بیش از اندازه روی اعضاء، انفجار و... اکثر این حوادث دارای مدت زمان تاثیر کوتاهی می باشند که در نتیجه منجر به پاسخ های دینامیکی می شوند. در این تحقیق ۱۰۰ نوع مدل در نظر گرفته خواهد شد و از آئین نامه های مرجع فروریزش پیش رونده جهت تحلیل و از نرم افزار کاربردی برای رسیدن به پاسخ تحت تحلیل استاتیکی غیر خطی استفاده خواهد شد با حذف ستون و انجام آنالیز استاتیکی غیر خطی، پارامترهای رفتاری اعضای سازه در برابر این پدیده مورد ارزیابی قرار خواهند گرفت و در نهایت نتایج با ضوابط موجود در آئین نامه کنترل خواهد شد و رفتار نهایی سازه در برابر این پدیده بررسی خواهد شد. شبکه های عصبی مصنوعی به عنوان ابزاری توانمند در زمینه های مختلف مهندسی استفاده شده است و کاربرد آنها به صورت روزافزونی در حال افزایش است. مهندسی عمران و بررسی رفتار سازه ها نیز از این قاعده مستثنی نبوده و به مراتب از روشهای عصبی در آن استفاده شده است. در این تحقیق از سه نوع شبکه عصبی جهت بررسی پدیده فروپاشی پیشرونده استفاده شده است. پارامترهای ورودی و خروجی انتخاب شده و به کمک شاخصهای ارزیابی این پدیده مدلسازی شده است. در نهایت با مقایسه عملکرد شبکه های عصبی مصنوعی موفقترین نوع شبکه عصبی پیشنهاد شده است.

نویسندگان

محمد امامی کورنده

استادیار، گروه مهندسی عمران، واحد تهران جنوب، دانشگاه آزاد اسلامی، تهران، ایران

بهرام عسگری

کارشناسی ارشد مهندسی عمران-سازه، گروه مهندسی عمران، واحد صفادشت، دانشگاه آزاد اسلامی، تهران، ایران

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • [۱]- منهاج، م ب.، ۱۳۸۱، هوش محاسباتی جلد اول مبانی ...
  • - قلی زاده، س.، غیرتمند، چ.، ۱۳۸۹، کاربرد شبکه های ...
  • [۴]- غیرتمند،. م.، ف.، ۱۳۸۸، تاثیر سختی قاب خمشی بر ...
  • [۵]- اسماعیل زاده، ا.، دشتی رحمت آبادی، م.، ۱۳۹۴، بررسی ...
  • [۶]- Adeli, H. and Park, H. S., ۱۹۹۵, A neural ...
  • [۷]- Cha, Y. J., Choi, W. and Buyukozturk, O., ۲۰۱۷, ...
  • [۹]- Garzon-Roca, J., Adam, J. M., Sandoval, C. and Roca, ...
  • [۱۱]- Emami, M., and Yasrobi, S. S., ۲۰۱۴, Modeling and ...
  • [۱۲]-Fausett, L. V., ۱۹۹۴, Fundamentals neural networks: Architecture, algorithms, and ...
  • [۱۳]- Emami M, Yasrebi S. S., ۲۰۱۴, Application of artificial ...
  • [۱۴]- Hagan, M. T., Demuth, H. B., and Beale, M. ...
  • [۱۵]-Hagan, M. T. and Menhaj, M. B., ۱۹۹۴, Training feedforward ...
  • [۱۶]- Amezquita-Sanchez, J. P., Valtierra-Rodriguez, M., Aldwaik, M., Adeli, H., ...
  • [۱۸]- Kennedy, J. B., and Neville, A. D., ۱۹۶۴, Basic ...
  • [۲۰]- Madan, M. G., Liang, J., and Noriyasu, H., ۲۰۰۰, ...
  • [۲۲]- Tashakori, A. R. and Adeli, H., ۲۰۰۲, Optimum design ...
  • [۲۳]- Wang, Z., Guo, L. and Adjouadi, M., ۲۰۱۴, A ...
  • [۲۴]- Yasrebi, S. S., Emami, M., ۲۰۰۸, Application of Artificial ...
  • [۲۵]-Zhen, L., and Zhang, Zh., ۲۰۱۷, Artificial Neural Network Based ...