شناسایی آسیب ناشی از زلزله در سازه های مهاربندی سه بعدی با استفاده از الگوریتم های یادگیری ماشین جمعی

با توجه به پیشرفت های نوین در حوزه محاسبات، روش های متعددی برای شناسایی آسیب در سازه ها مبتنی بر تکنیک های یادگیری ماشین ابداع شده است. باید توجه داشت که هر یک از الگوریتم های یادگیری ماشین دارای قابلیت های متفاوتی در حل مسائل پیچیده بوده و پیش بینی های حاصل از آن ها با میزان مشخصی از عدم قطعیت همراه است. در این راستا، پژوهش حاضر یک چارچوب ترکیبی برای تشخیص آسیب های لرزه ای ارائه می دهد که با ادغام خروجی چندین مدل یادگیری ماشین، موجب کاهش خطا و افزایش قابلیت اطمینان نتایج می شود. در این مطالعه از سه الگوریتم ماشین بردار پشتیبان، روش نزدیک ترین همسایگان و شبکه های عصبی کانولوشنی به عنوان پایه های اولیه استفاده شده و خروجی این مدل ها توسط یک الگوریتم درخت تصمیم گیری به عنوان مدل فرادست ترکیب می شود. داده های آموزشی مورد نیاز از طریق ۱۱۱ زلزله که توسط پروژه SAC تهیه شده بود، تامین گردید و با اعمال مقیاس های مختلف در بازه ۰۰.۵ تا ۱.۶۰ شتاب گرانش زمین، شرایط مختلف بارگذاری لرزه ای شبیه سازی شد. برای ارزیابی کارایی روش پیشنهادی، یک سازه پنج طبقه با سیستم بادبند هم محور(concentric-braced) مورد تحلیل قرار گرفت. یافته های تحقیق نشان می دهد که رویکرد ترکیبی ارائه شده نه تنها دقت پیش بینی سطح آسیب را به طور محسوسی بهبود می بخشد، بلکه میزان عدم قطعیت در فرآیند پیش بینی را نیز کاهش می دهد. این امر حاکی از پتانسیل بالای روش های تلفیقی در ارزیابی قابلیت اطمینان سازه ها پس از رویدادهای لرزه ای می باشد.

کلیدواژه ها:

تشخیص آسیب ، یادگیری گروهی ، سازه مهاربندی ، طبقه بندها