یک الگوریتم سریع مبتنی بر شبکه عصبی برای تخمین پارامتر دریفت بین طبقات سازه در ساختمان های بتنی قاب خمشی

ارزیابی سریع پارامترهای تقاضای سازه ای در انواع ساختمان ها برای بازیابی اجتماعی پس از زمین لرزه های مخرب امری حیاتی است. اگرچه مطالعات پیشین روش های متعددی را برای سنجش عملکرد ساختمان ها به منظور ارزیابی ریسک بالقوه تحت خطر لرزه ای ارائه کرده اند، اما تحلیل تاریخچه پاسخ غیرخطی به عنوان یک روش زمان بر، اجرای سریع تخمین خسارت برای اقدامات اضطراری را با مشکل مواجه ساخته است. مطالعه حاضر یک چارچوب سریع برای تخمین تقاضای سازه ای در ساختمان های بتنی قاب خمشی با بهره گیری از شبکه های عصبی مصنوعی ارائه می دهد. در این راستا، یک مدل ساده شده بر اساس روش HAZUS توسعه یافته است. به منظور حذف تحلیل تاریخچه پاسخ غیرخطی زمان بر از اقدامات پساز زمین لرزه، از شبکه های عصبی مصنوعی استفاده شده است. در این روش، شبکه های عصبی پیش از رویداد زمین لرزه و با استفاده از مجموعه ای از تحلیل های تاریخچه زمانی آموزش داده می شوند تا پارامترهای تقاضای سازه ای را تخمین بزنند. این مطالعه بر روی مجموعه ای از رکوردهای زلزله که در ابتدا توسط پروژه SAC توسعه یافته و به طور یکنواخت از ۰.۱ تا ۱.۵ برابر شتاب گرانش زمین مقیاس دهی شده اند، اعمال گردیده تا یک مدل پیش بینی تعمیم یافته حاصل شود. الگوریتم بهینه سازی بیزی برای تنظیم معماری شبکه های عصبی به کار گرفته شده است. نتایج نشان می دهد که رویکرد ارائه شده برای پیش بینی پاسخ سازه قابل اطمینان بوده و در مقایسه با روش متعارف تحلیل تاریخچه پاسخ غیرخطی، مقرون به به صرفه می باشد.