پیش بینی داده محور ضریب بزرگنمایی تغییرمکان در قابهای خمشی فولادی

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 غیر خطی، اگرچه بسیار دقیق هستند اما از نظر محاسباتی پیچیده و زمان برند. از سوی دیگر استفاده از مقادیر ثابت آیین نامه ای برای ضریب بزرگنمایی تغییر مکان (Ca) به دلیل نادیده گرفتن ویژگی های دینامیکی مختص هر سازه تقریب دقیقی ارائه نمی دهد. این پژوهش یک چارچوب داده محور و مبتنی بر یادگیری ماشین را برای پیش بینی هوشمند و مستقیم ضریب بزرگنمایی تغییر مکان میانگین (Cd,ave) در قاب های خمشی فولادی معرفی می کند. برای این منظور یک پایگاه داده جامع شامل ۱۰۵ مدل قاب خمشی فولادی با تنوع هندسی (۱ تا ۳۰ طبقه) ایجاد شد که تحت تحلیل تاریخچه زمانی خطی و غیرخطی در نرم افزار OpenSees و برای ۵ نوع خاک مختلف مورد ارزیابی قرار گرفتند. پارامترهای کلیدی سازه ای و ساختگاهی به عنوان متغیرهای ورودی و ضریب Cd.avg مستخرج از تحلیل های دینامیکی به عنوان متغیر هدف تعیین گردیدند. در ادامه سه الگوریتم یادگیری ماشین شامل 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 در پیش بینی Cd.avg به ضریب تعیین برابر با ۰.۹۳۲۷ و ریشه میانگین مربعات خطا معادل ۰.۲۰۴۵ دست یافت. تحلیل اهمیت ویژگی ها نیز مشخص کرد که میانگین نسبت ظرفیت ستون به تیر، زمان تناوب اصلی سازه و تعداد طبقات به ترتیب مهم ترین پارامترهای تاثیرگذار در پیش بینی این ضریب هستند که با مفاهیم فیزیکی و شهود مهندسی همخوانی کامل دارد. این چارچوب داده محور یک ابزار کارآمد، سریع و قابل تفسیر را برای برآورد دقیق نیازهای لرزه ای ارائه می دهد که می تواند جایگزین مطمئنی برای مقادیر ثابت و محافظه کارانه آیین نامه ای در فرآیندهای ارزیابی لرزه ای باشد.

کلیدواژه ها:

ضریب بزرگنمایی تغییر مکان میانگین ، قاب خمشی فولادی ، تحلیل تاریخچه زمانی غیر خطی ، تحلیل تاریخچه زمانی خطی ، یادگیری ماشین ، نرم افزار OpenSees