بهینه سازی قاب های خمشی فولادی مختلط(CFT) به روش هوش مصنوعی(AI) و الگوریتم ژنتیک(GA)

مقدمه: از ابتدای قرن 21، جنبه های اقتصادی پروژه ها برای شرکت های طراحی و کارفرمایان پروژه اهمیت بیشتری یافته است؛ در نتیجه، طراحی مدلی بهینه به یکی از دغدغه های اصلی طراحان سازه تبدیل شده است. این امر با ایجاد فضایی رقابتی طراحان را به بهینه سازی و سبک سازی سوق داده است؛ از آنجایی که نمی توان با قاطعیت اظهار داشت که سبک سازی همواره به بهینه سازی منجر می شود، بنابراین واژه «بهینه سازی» دقیق تر و جامع تر به نظر می رسد. اگرچه سبک سازی می تواند به بهینه سازی منجر شود، اما این دو مفهوم یکسان نیستند و سبک سازی لزوما تضمین کننده یک طرح بهینه نیست؛ با این حال، چنین تصوری اغلب در میان کارفرمایان و طراحان رایج است. سازه های ساختمانی انواع مختلفی دارند؛ اکثر سازه های موجود در ایران از نوع بتنی یا فولادی هستند؛ در حالی که در اروپا و آمریکای شمالی سازه های چوبی رواج بیشتری دارند. بنابراین می توان گفت وجود ماده اولیه در دسترس انسان و قیمت آن مهم ترین پارامترها برای احداث یک پروژه ساختمانی است. به طور کلی بتن به دلیل مقاومت فشاری بالا و فولاد به دلیل مقاومت کششی بالا، همچنین قیمت مناسب و فراوانی تبدیل به عناصری جداناپذیر در صنعت ساختمان شده اند. در همین راستا، در این پژوهش به بهینه سازی سازه های مختلط ویژه پر شده با بتن CFT و تیر های فولادی I شکل پرداخته می شود. طبق آزمایش ها و تحقیقات انجام شده استفاده از این سازه ها از مزیت های زیادی برخوردار است. از جمله مزیت های آن عبارتند از: 1- سازه CFT پر شده با بتن همانند سازه های فولادی سرعت نصب و اجرای بالایی دارند به طوری که می توان اسکلت سازه های فولادی را فقط در طول چند روز بنا نمود، با این حال این مسئله در مورد سازه های بتنی صدق نمی کند و اجرا هر طبقه از اسکلت ساختمان بتنی حداقل 10 روز تا 2 هفته زمان می برد. 2- اثر محصور شدگی بتن (Confinement) باعث می شود که سازه عملکرد بسیار بهتری از خود در برابر بارهای وارده نشان دهد. همچنین ترکیب بتن و فولاد موجب افزایش نسبت مقاومت به وزن می شود. 3- اجرای سازه CFT باعث می شود که ابعاد ستون کاهش یافته و فضای مفید موجود افزایش یابد. 4- در سازه CFT الزامی به اجرای پوشش ضد حریق همانند سازه های فولادی نیست. 5- سازه CFTباعث کاهش وزن فولاد و بتن می شود؛ در نتیجه منجر به کاهش هزینه ساخت می گردد. با وجود مزیت های فراوانی که این سازه دارا است، در ایران به علت عدم شناخت کافی کارفرمایان و همچنین کم توجهی طراحان باعث شده که به ندرت مورد استفاده قرار می گیرد؛ این در حالی است که امروزه اکثر سازه های بلند مرتبه دنیا همچون برج مرکز مالی جهانی تایپه، برج سگ پلازا در شنژن چین و برج تجارت جهانی رویفنگ هانژو در چین با این نوع سازه بنا شده اند. با وجود این مزایا طراحی بهینه ستون های CFT و تیر های فولادی I شکل با چالش های عمده ای از جمله قطر ستون، ضخامت ورق فولادی، نوع بتن مورد استفاده، نحوه بارگذاری و نوع اتصال بین تیر و ستون مواجه است. دقت و توجه به این پارامترها باعث پیچیدگی دوچندان بهینه سازی می شود. تجربیات عملی در طراحی انواع سازه ها اعم از بتنی، فولادی وCFT ، روش های طراحی مرسوم باعث زیاد شدن ابعاد تیر و ستون و در نتیجه هزینه بیشتر می شود؛ هرچند که طراح سازه با سابقه و حرفه ای باشد اما از آنجا که ستون ها و تیرها از مقاطع بسیار متنوعی تشکیل شده اند، طراح قادر به تشخیص قطعی بهینه ترین عضو در سازه نمی باشد. هرچند که در خود برنامه ETABSنیز قابلیت انتخاب خودکار (Autoselect Section List) موجود می باشد ولی دارای ایراداتی است و اگر داده های ورودی زیاد و متنوع باشند شاید دو تا سه روز نیاز به زمان دارد تا مقاطع را بررسی کند و قدرت آن را ندارد که مقاطع را از پایین به بالا کوچک کند.این چالش ها نشان دهنده نیاز به رویکردی نوین در طراحی سازه است. همچنین مدل سازی با روش اجزای محدود (FEM) اگرچه دارای دقتی بالا است، اما در حال حاضر با سیستم های امروزی معمول نمی باشد و استفاده از نرم افزار آباکوس (ABAQUS) که مبتنی بر روش های اجزای محدود است، به دلیل نیاز به تکرار محاسبات سنگین، در پروژه های بهینه سازی کاربرد گسترده ای ندارد. با روی کار آمدن هوش مصنوعی (Artificial Intelligence) و یادگیری ماشین (Machine Learning) می توان چالش های پیچیده و زمانبر را که تا پیش از این، ماه ها یا شاید سال ها طول می کشید را تنها در کسری از ثانیه انجام داد. الگوریتم های فراابتکاری مانند الگوریتم ژنتیک (GA) به دلیل قابلیت جست و جو در فضاهای بزرگ طراحی و مدل های قدرتمند یادگیری نظیر XGBoost که در مدل سازی رفتارهای خطی و غیر خطی توانایی بالایی دارند، نقش مهمی در بهینه سازی فرآیند طراحی ایفا می کنند. استفاده از الگوریتم ها و یادگیری ماشین می تواند به کاهش زمان تحلیل و افزایش کارایی طراحی در زمینه ی بهینه سازی منجر شود. در این تحقیق، برای پاسخ به چالش های موجود در طراحی بهینه، یک مدل ترکیبی محاسباتی جدید بر پایه ترکیب الگوریتم ژنتیک (GA)، یادگیری ماشین (Machine Learning) و XGBoost پیشنهاد داده می شود. این تابع ترکیب شده امکان بهینه سازی سریع، دقیق و چندهدفه پارامترهای طراحی را فراهم می کند و می تواند در کاهش هزینه های ساخت، بهبود عملکرد لرزه ای و افزایش کارایی سازه ها موثر باشد.

کلیدواژه ها:

مقاطع مختلط ، بهینه سازی سازه ، الگوریتم ژنتیک ، الگوریتم های فراابتکاری ، یادگیری ، جبهه پارتو (Pareto Front)