توسعه توابع شکنندگی سازههای فولادی و بتنی خمشی کوتاه مرتبه با استفاده ازیادگیری ماشین

ارزیابی دقیق آسیب پذیری لرزه ای سازهها،یکی از مهم ترین چالش های مهندسی زلزله است . توابع شکنندگی ، ابزارهایی هستند که به کمک آنها می توان احتمال وقوع خرابی در سازهها را تحت تاثیر شدتهای مختلف زلزله مدلسازی کرد. به دلیل پیچیدگی های موجود در رفتار سازهها، روشهای سنتی مبتنی بر تحلیل های عددی و آزمایش های تجربی زمانبر هستند. این مقاله به بررسی استفاده از روشهای یادگیری ماشین ، به ویژه شبکه های عصبی مصنوعی ((ANN و الگوریتم های پیشرفته یادگیری عمیق برای توسعه و بهینه سازی توابع شکنندگی می پردازد. ابتدا، از شبکه های عصبی برای مدلسازی توابع شکنندگی سازههای فولادی استفاده شده است . سپس ، با استفاده از الگوریتم های بهینه سازی مانند PSO، دقت و کارآیی این توابع بهبودیافته است . در نهایت ، برای تکمیل پایگاههای داده و بهبود پیش بینی ها، از مدلهای یادگیری عمیق مانند خودرمزگذار استفاده شد. نتایج نشان می دهد که این روشها می توانند به طور قابل توجهی دقت پیش بینی ها را افزایش داده و هزینه های محاسباتی را کاهش دهند.

کلیدواژه ها:

توابع شکنندگی ، شبکه های عصبی مصنوعی ، یادگیری ماشین ، شبکه های عمیق پیشرفته .