شبیه سازی شتاب نگاشت مصنوعی زلزله سازگار با طیف ساختگاه با استفاده از تحلیل سری های زمانی

سال انتشار: 1396
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 872

فایل این مقاله در 13 صفحه با فرمت PDF قابل دریافت می باشد

این مقاله در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

JR_JSEC-4-3_007

تاریخ نمایه سازی: 18 تیر 1398

چکیده مقاله:

در طراحی سازه های مهم و حیاتی مانند سدها، نیروگاه ها و پل ها، لزوم انجام تحلیل تاریخچه زمانی لرزه ای یکی از مهم ترین نیازهای مهندسی می باشد. با توجه به اینکه شتاب نگاشت­های واقعی مربوط به ساختگاه این سازه ها در بسیاری از موارد وجود ندارد و یا به تعداد کافی در دسترس نیست، لذا تولید شتاب نگاشت مصنوعی یکی از موضوعات مهم پژوهشی و کاربردی در این زمینه می باشد. این مقاله به ارائه روشی نوین برای تولید شتابنگاشت های مصنوعی منطبق با طیف ساختگاه سازه با استفاده از تحلیل سری های زمانی، شبکه­های عصبی مصنوعی، تبدیل موجک و الگوریتم ژنتیک می پردازد. در روش پیشنهادی ابتدا تعدادی شتاب نگاشت ثبت شده در ایستگاه های شتاب نگاری و بر اساس نوع خاک انتخاب می شوند. این خاک ها با توجه به سرعت موج برشی ایستگاه های ثبت کننده به دو گروه خاک و سنگ تقسیم می شوند و سپس با استفاده از تبدیل موجک به تحلیل  و پردازش  آنها پرداخته می شود. در قدم بعدی از توانایی یادگیری شبکه­های عصبی برای نگاشت معکوس از طیف پاسخ این شتابنگاشت ها به ضرایب تبدیل ویولتی استفاده می گردد.  به موازات استفاده از الگوریتم­های آموزشی موجود برای شبکه­های عصبی، از توانایی الگوریتم ژنتیک برای جستجو در یک فضای گسترده کمک گرفته می شود تا ماتریس های وزن و بایاس شبکه­ها بهینه گردند و از محبوس شدن شبکه­ها در نقاط بهینه محلی جلوگیری به عمل آید. در نهایت شتابنگاشت های سازگار با طیف ساختگاه تولید می شود. در این مقاله با ارائه مثال هایی از شتابنگاشت­های ثبت شده در ایران، به آزمایش الگوریتم پیشنهادی پرداخته شده و کارایی موثر آن نشان داده می­شود. استفاده ترکیبی از شبکه عصبی مصنوعی، تبدیل موجک، الگوریتم ژنتیک و تحلیل سری های زمانی موجب ارتقاء توانایی روش از نظر سرعت و دقت در تولید شتاب نگاشت مصنوعی سازگار با طیف برای شرایط ساختگاهی مختلف می شود

کلیدواژه ها:

شتاب نگاشت مصنوعی سازگار با طیف طرح ، تحلیل سری های زمانی ، الگوریتم ژنتیک ، شبکه عصبی مصنوعی ، تبدیل موجک

نویسندگان

محمدرضا فدوی امیری

دانشجوی دکتری مهندسی کامپیوتر، دانشکده مهندسی کامپیوتر و فناوری اطلاعات، دانشگاه صنعتی شاهرود، شاهرود، ایران

سید علی سلیمانی ایوری

دانشیار، دانشکده مهندسی برق، دانشگاه صنعتی شاهرود، شاهرود، ایران

حمید حسن پور

استاد، دانشکده مهندسی کامپیوتر و فناوری اطلاعات، دانشگاه صنعتی شاهرود، شاهرود، ایران

محمد شامخی امیری

استادیار، دانشکده مهندسی عمران، دانشگاه صنعتی شاهرود، شاهرود، ایران

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • Iranian Code of Practice for Seismic Resistant Design of Buildings, ...
  • Fadavi Amiri, M., Akbari, A. and Ghodrati Amiri, G. (2008), ...
  • Priestley, M.B. (1967), Power Spectral Analysis of Non-Stationary Random Processes ...
  • Tajimi, H. (1960), Statistical Method of Determining the Maximum Response ...
  • Brune, J.N. (1970), Tectonic Stress and Spectra of Seismic Shear ...
  • Fereydouni, H. (1999), Review and Production of Artificial Accelerograms and ...
  • Bagheri, A. (2005), Production of Artificial Accelerograms using Kanay-Tjymy Pattern ...
  • Housner, G.W. and Jennings, P.C. (1964), Generation of Artificial Earthquakes ...
  • Cohen, L. (1995), Time-Frequency Analysis , Prentice Hall PTR. Englewood ...
  • Arfken G.B. and Weber H.J. (1995), Mathematical Methods for Physicists ...
  • Kanai, K. (1957), Semi-Empirical Formula for the Seismic Characteristics of ...
  • Fan, F.G. and Ahmadi, G. (1990), Nonstationary Kanai-Tajimi Models for ...
  • Ghodrati Amiri, G., Raeisi Dehkordi, M. and Bagheri, A. (2005), ...
  • Fatemi, A.A., Bagheri, A., Ghodrati Amiri, G. and Ghafory-Ashtiany, M. ...
  • Refooei, F.R., Mobarake, A. and Ahmadi, G. (2001), Generation of ...
  • Olafsson, S. and Sigbjornsson, R. (1995), Application of ARMA Models ...
  • Mobarakeh, A.A., Rofooei, F.R. and Ahmadi, G. (2002), Simulation of ...
  • Aghababaei, M. (1998), Generation of Artificial Accelerograms using Kanai-Tajimi Model ...
  • Zhang, C.R., Chen, H.Q. and Li, M. (2007), Earthquake Accelerogram ...
  • Ebeling, R.M. (1992), Introduction to the Computation of Response Spectrum ...
  • Ghaboussi, J. and Lin, C.J. (1998), New Method of Generation ...
  • Amiri, G.G., Bagheri, A. and Seyed Razaghi, S.A. (2009), Generation ...
  • Mkrtychev, O.V. and Reshetov, A.A. (2013), Using WaveletAnalysis toObtain Characteristics ...
  • Soleymani Eyvari, S.A., Fadavi Amiri, M. and Marvi,  H. (2016), ...
  • Asadi, A., Fadavi, M., Bagheri, A. and Ghodrati Amiri, G. ...
  • Bargi, K., Kaveh, A., Lux, C. and Rahami, H. (2011), ...
  • Karami, M. and Shahryari, H. (2015), Production of Artificial Accelerograms ...
  • Cacciola, P. and Zentner, I. (2012), Generation of Response-Spectrum-Compatible Artificial ...
  • Mitropoulou, C.C., Lagaros, N.D. and Papadrakakis, M. (2015), Generation of ...
  • Batou, A. and Soize, C. (2013), Generation of Accelerograms Compatible ...
  • Batou, A. and Soize, C. (2013), Generation of Spectrum-Compatible Accelerograms ...
  • Gurney, K. (1997), An Introduction to Neural Networks , CRC ...
  • Mitchell, M. (1995), Genetic Algorithms: An Overview , Complexity, Vol. ...
  • Niroomand, H. and Bozorgnia, A. (1995), Introduction to Time Series ...
  • Zarfam, P. and Nikou, M. (2010), Use of Time Series ...
  • Ramazi, H. (1997), Basic Accelerogram Data Record of Accelerograph Network ...
  • نمایش کامل مراجع