تخمین حداکثر تغییر مکان هدف در قاب های خمشی فولادی با استفاده از مدل های یادگیری ماشین

در دهه های اخیر طراحی لرزه ای مبتنی بر عملکرد به رویکرد غالب در مهندسی زلزله تبدیل شده است که نیاز به ارزیابی دقیق تغییر مکان ها و تعیین سطح عملکرد سازه دارد. با این حال روش های رایج تحلیل تاریخچه زمانی، غیرخطی، اگرچه دقیق هستند اما از نظر محاسباتی پیچیده و زمان برند. این امر نیاز به ابزارهای جایگزین کارآمد و قابل اتکا برای پیش بینی حداکثر تغییر مکان هدف در ارزیابی های عملکردی را برجسته می سازد. این پژوهش یک چارچوب داده محور مبتنی بر یادگیری ماشین را برای پیش بینی هوشمند و مستقیم تغییر مکان هدف در قاب های خمشی فولادی معرفی می کند. برای این منظور یک پایگاه داده جامع شامل ۱۰۵ مدل قاب خمشی فولادی با تنوع هندسی ایجاد شد که هر یک تحت ۳۵ رکورد زلزله تحلیل تاریخچه زمانی غیرخطی توسط نرم افزار OpenSees برای ۵ نوع خاک مختلف قرار گرفته است. رکوردها برای سطح عملکرد ایمنی جانی مقیاس بندی شده اند. هفت پارامتر کلیدی سازه ای و ساختگاهی به عنوان متغیرهای ورودی و جابجایی سقف متناظر با سطح عملکرد ایمنی جانی به عنوان متغیر هدف استخراج گردید. سه الگوریتم یادگیری ماشین رگرسیون Ridge، نزدیک ترین همسایه و جنگل تصادفی به صورت مقایسه ای توسعه و ارزیابی شدند. نتایج نشان داد که مدل جنگل تصادفی عملکردی به مراتب برتر از سایر مدل ها ارائه می دهد و به ضریب تعیین برابر با ۰/۹۸۷ و ریشه میانگین مربعات خطا معادل ۰/۰۲۷۶ دست یافت. تحلیل اهمیت ویژگی ها نیز نشان داد که تعداد طبقات، نسبت ظرفیت ستون به تیر و زمان تناوب اصلی سازه به ترتیب مهم ترین پارامترها در پیش بینی تغییر مکان هدف هستند که با شهود مهندسی همخوانی کامل دارد. این چارچوب داده محور یک ابزار کارآمد و قابل تفسیر را برای برآورد تغییر مکان هدف ارائه می دهد که می تواند فرآیندهای طراحی و ارزیابی لرزه ای را تسریع و بهبود بخشد.

کلیدواژه ها:

طراحی عملکردی ، تغییر مکان هدف ، یادگیری ماشین ، قاب خمشی فولادی ، تحلیل تاریخچه زمانی غیر خطی