پارامترهای بهینه میراگر جرمی تنظیم شده برای سازه های بلند به کمک شبکه های عصبی مصنوعی

میراگرهای جرمی تنظیم شده، TMD نوعی از جاذب های انرژی هستند که اگر پارامترهای فرکانس و میرایی آن ها به خوبی تنظیم شوند می توانند ارتعاشات سازه ها را کاهش دهند. برای شناسایی این پارامترها روابط تحلیلی و تجربی بسیاری ارائه شده است، که هر یک از این روابط با ساده سازی هایی در سازه و بارگذاری آن بدست آمده است. در این مقاله از شیوه ای جدید برای بدست آوردن این پارامتر ها استفاده شده است. ابتدا سازه هایی با تعداد طبقات مختلف (۸ تا ۸۰ طبقه) در محیط کد نویسی متلب ایجاد شده اند. پس از دست یابی به ماتریس های سختی، میرایی و جرم این سازه ها، برنامه وارد محیط سیمولینک می شود، و سازه همراه با TMD در محدوده تقریبی پارامترهای بهینه، تحت زلزله های مختلف قرار می گیرد. در نهایت پارامتر های مناسب برای بیشترین کاهش در جابجایی سازه، شناسایی می شوند. سپس با داشتن آمار کامل از سازه ها با ارتفاع های مختلف، کار آموزش شبکه عصبی آغاز می شود. به این ترتیب شبکه عصبی مورد نظر پس از آموزش دیدن می تواند با دریافت ورودی هایی همچون فرکانس و نسبت جرمی TMD، مقادیری همچون فرکانس و میرایی TMD را به عنوان خروجی ارائه کند. با استفاده از این روش مشاهده شده است که خطاهای موجود در فرکانس و میرایی بهینه TMD، نسبت به روابط تجربی دن هارتوگ کاهش قابل ملاحظه ای داشته است. بنابراین استفاده از نتایج این شیوه می تواند به عنوان پارامترهای بهینه TMD، با اطمینان بیشتری مورد استفاده قرار گیرد. در پایان، این مقادیر با روابط ارائه شده توسط دن هارتوگ روی یک ساختمان بلند مرتبه مقایسه شده است.

کلیدواژه ها:

Tuned mass damper ، Optimum TMD parameters ، Neural Networks ، میراگر جرمی تنظیم شده ، پارامترهای بهینه ، فرکانس و میرایی ، شبکه عصبی مصنوعی