پیش بینی مولفه های زوال در تیرهای فولادی براساس روش تجمعی ناهمگون

مولفه های زوال تیرهای فولادی برای ارزیابی عملکرد لرزه ای مهم میباشند. مولفه های زوال در تیرهایفولادی شامل چرخش قبل از کاهش مقاومت ((Ɵ(c)، چرخش بعد از کاهش مقاومت (Ɵ(pc) و ظرفیتاستهلاک انرژی هنجار شده (Λ) می باشند. در نوشتار حاضر از چندین روش یادگیری ماشین جهت پیش بینیمولفه های زوال در تیرهای فولادی استفاده شده است. در مطالعه ی حاضر از ۱۵۷ داده آزمایشگاهی برایتیرهای فولادی استفاده شده است. روش تجمعی ناهمگون به عنوان مهمترین روش یادگیری ماشین درمطالعه ی حاضر مورد بررسی قرار گرفته است. روش تجمعی ناهمگون از روشهای پایه و فراروش ها تشکیلشده اند. روش های پایه شامل تقویت گرادیان شدید (XGBoost)، تقویت سازگار (AdaBoost) و جنگلتصادفی (Random Forest) و فراروش در روش تجمعی ناهمگون (Stacking)، جنگل تصادفیمی باشد. در این راستا تحلیل های دقیق توسط نرمافزار پایتون بررسی شدند و نتایج به دست آمده نشان دادندکه روش تجمعی ناهمگون دارای دقت ۸۸ درصد برای چرخش قبل از کاهش مقاومت، ۷۷ درصد برایچرخش بعد از کاهش مقاومت و ۷۰ درصد برای ظرفیت استهلاک انرژی هنجار میباشد.

کلیدواژه ها:

مولفه های زوال ، یادگیری ماشین ، روش تجمعی ناهمگون ، تقویت گرادیان شدید ، تقویت سازگار