بهره گیری از الگوریتم های یادگیری ماشین در مراحل اولیه طراحی؛ نمونه موردی: تخمین اولیه ابعاد عناصر سازه ای در ساختمان های متداول

اهداف و پیشینه: تخمین و تعیین ابعاد اجزای سازه در مراحل اولیه طراحی همیشه از مسائل مهمی است که طراحان معمار با آن درگیر هستند. این موضوع تا حد زیادی بر اساس تجربه شخصی و در اکثر موارد از سوی افراد دارای اندک پشتوانه علمی صورت می پذیرد. این روش دارای خطای زیاد و بازدهی بسیار پایین است که طراحان را وامی دارد تا با زمان محاسبه ابعاد دقیق اجزای سازه، متکی بر مفروضات خود، طراحی و ساخت را پیش ببرند. تخمین اشتباه می تواند منجر به دوباره کاری و افزایش هزینه های پروژه شود. از طرف دیگر، اگرچه امروزه برای تعیین ابعاد سازه ها از ابزارهای تحلیل و طراحی سازه با تنوع و گستردگی بسیار بالا استفاده می شود، اما برای تصمیم گیری در مراحل اولیه طراحی، روش و ابزار خاصی وجود ندارد. درنتیجه امکان مقایسه گزینه های مختلف که لازمه طراحی دقیق و کارآمد است، در این مرحله ممکن نیست. هدف اصلی در اینجا دستیابی به روش و ابزاری برای تخمین ابعاد حدودی اجزای سازه ای (در این پژوهش سازه های قاب خمشی فولادی و بتنی)، بدون نیاز به استفاده از فرمول های زمان بر و پیچیده یا استفاده از نرم افزارهای شبیه سازی است؛ ابزاری که بتواند فاصله تصمیم گیری در مورد اجزای سازه ای بین طراح و محاسب سازه را بکاهد و از بسیاری از دعاوی در زمان ساخت جلوگیری کند.مواد و روش ها: به طورکلی، فرایند تصمیم گیری و طراحی سازه ای شامل متغیرهای متعدد و متنوعی نظیر انتخاب نوع سیستم سازه ای، انتخاب نوع مصالح، انتخاب مقاطع مناسب سازه ای، انتخاب آیین نامه های مناسب هر منطقه، و سایر عواملی است که این فرایند را پیچیده تر و انتخاب پاسخ بهینه و مناسب را دشوارتر می کند. در پژوهش حاضر تلاش شده است تا برخی از این پارامترهای مهم در قالب چارچوبی نسبتا محدود گنجانده شود تا ابزاری تصمیم یار عرضه گردد که بتواند فاصله میان معمار و مهندس سازه را از منظر دیدگاه مشترک بکاهد. در گام نخست، یک مجموعه داده از سازه های شبیه سازی شده در حالت های مختلف ایجاد گردید و در گام بعد، چندین مدل یادگیری ماشین با استفاده از دو الگوریتم شبکه عصبی مصنوعی و ماشین بردار پشتیبان توسعه داده شد. نتایج حاکی از آن است که در ساختمان های فولادی، الگوریتم شبکه عصبی مصنوعی نسبت به الگوریتم ماشین بردار پشتیبان عملکرد بهتری دارد و میانگین ضریب تعیین (R²) برابر با ۰٫۹۳ و میانگین درصد خطای مطلق (MAPE) برابر با ۰٫۰۵ حاصل شده است. درحالی که در ساختمان های بتنی، الگوریتم ماشین بردار پشتیبان عملکرد مطلوب تری نشان داده و ضریب تعیین ۰٫۹۳ و میانگین درصد خطای مطلق ۰٫۰۶ را کسب کرده است.نتایج و جمع بندی: در حدود پنجاه سال گذشته، نمودارهای تقریبی مختلفی برای راهنمایی کاربران عرضه شده است که اطلاعات بسیار ساده و کاربردی را برای برآورد اولیه ابعاد بر اساس تجربه و برخی تحلیل ها در اختیار قرار می دهد. اگرچه آگاهی از مبانی نظری این اجزا اهمیت دارد، توانایی ارزیابی سریع پیامدهای انتخاب یک دهانه خاص، آرایش ستون ها، یا بارگذاری مشخص نیز بسیار حایز اهمیت است.در این پژوهش با هدف کمک به جامعه مهندسی، به ویژه طراحان معماری، ابزاری معرفی شده است. ابزاری که با دریافت ورودی هایی نظیر ابعاد زمین، ابعاد دهانه ها، تعداد طبقات، و نوع مصالح مورد استفاده، می تواند برآورد اولیه ای عرضه کند که به نتایج حاصل از تحلیل و طراحی سازه ای بسیار نزدیک باشد، اما زمان و هزینه کمتری نیاز دارد. متدولوژی به کاررفته در این مطالعه قابلیت گسترش دارد و می توان با افزودن متغیرهایی نظیر انواع مختلف مصالح مورد استفاده در صنعت ساخت وساز، بررسی فرم ها و سازه های معماری پیچیده با آرایش های نامنظم اعضای سازه ای، افزایش تعداد طبقات مورد بررسی، و همچنین با بررسی سقف هایی با سیستم های متفاوت، دامنه کاربری آن را توسعه داد.

کلیدواژه ها:

مراحل اولیه طراحی ، تخمین ابعاد سازه ، یادگیری ماشین ، شبکه عصبی مصنوعی ، ماشین بردار پشتیبان