استفاده از یادگیری ماشین جهت تخمین آسیب وارده به سازههای فولادی قاب خمشی با میراگر ویسکوز

این مطالعه با هدف توسعه مدلهای یادگیری ماشین برای پیش بینی آسیب سازههای قاب فولادی خمشی مجهز به میراگرهای ویسکوز تحت اثر زلزله انجام شده است. در این پژوهش هشت مدل یادگیری ماشین رگرسیون خطی، رگرسیون ریج، جنگل تصادفی، Natural Gradient Boosting، XGBoost، LightGB، Gradient Boosting و CatBoost برای تحلیل و پیش بینی آسیب سازه ها مورد استفاده قرار گرفته اند. سازه های مورد تحلیل، سازه های قاب خمشی فولادی مجهز به میراگر ویسکوز خطی بوده که پنج و نه طبقه داشتند و خصوصیاتی مثل تعداد دهانه، بار مرده وارده به طبقات و میزان میرایی پایگاه داده اولیه را به منظور تحلیل تاریخچه زمانی تشکیل داده است. از طرفی نیز ۴۸ رکورد زلزله مقیاس شده به منظور انجام تحلیل به کار گرفته شده اند. سپس متغیرهای ورودی شامل پارامترهایی از خصوصیات سازه و رکوردهای زلزله پالایش شده است و پارامتر خروجی نیز به صورت نسبت جابه جایی بیشینه بین طبقه ای تعریف شده است که به عنوان معیاری برای ارزیابی آسیب سازه ها فرض شده است. نتایج مدلهای یادگیری نشان میدهد که سه مدل جنگل تصادفی، XGBoost و CatBoost بهترین عملکرد را داشته اند. این مطالعه به عنوان قدمی در استفاده از یادگیری ماشین برای پیش بینی آسیب سازهها در طراحی عملی و بهبود ایمنی سازه ها محسوب میشود.

کلیدواژه ها:

یادگیری ماشین ، سازههای فولادی ، تحلیل لرزه ای ، تغییر مکان بین طبقه ای ، میراگر ویسکوز