عنوان

استفاده از شبکه های عصبی مصنوعی در تحلیل مودال پوش اور

Number

‭۹۹۵پ‬

.Language of Text, Soundtrack etc

per

Title Proper

استفاده از شبکه های عصبی مصنوعی در تحلیل مودال پوش اور

First Statement of Responsibility

/امید محمد علیزاده اصل

Name of Publisher, Distributor, etc.

تبریز: دانشگاه تبریز، دانشکده عمران، گروه سازه

Specific Material Designation and Extent of Item

‮‭۱۱۳‬ص.‬

Other Physical Details

: مصور، جدول، نمودار، عکس ‮‭۳۰‬*‮‭۲۹‬س.م-+ یک لوح فشرده

Text of Note

چاپی

Text of Note

واژه نامه بصورت زیرنویس

Text of Note

کتابنامه ص.: ‮‭۱۰۸-۱۱۱‬

Dissertation or thesis details and type of degree

کارشناسی ارشد

Discipline of degree

عمران- سازه

Date of degree

‮‭۱۳۸۹/۰۴/۲۵‬

Body granting the degree

تبریز: دانشگاه تبریز، دانشکده عمران، گروه سازه

Text of Note

تخمین تقاضای لرزه ای ساختمان ها در سطوح عملکردی همچون سطح عملکرد تامین ایمنی جانی و جلوگیری از فرو ریزش، نیاز به بررسی رفتار غیر خطی سازه ها دارد .در سال های اخیر روش تحلیل استاتیکی غیر خطی به عنوان یک روش کارا در تعیین رفتار سازه ها معرفی شده است .تحلیل استاتیکی غیر خطی به علت سادگی توانسته است در بسیاری از موارد جایگزین روش های دینامیکی غیر خطی گردد .با این حال این روش در تعیین پاسخ سازه ای خالی از ضعف نبوده و در مواردی ایرادهای جدی بر آن وارد شده است .برای اصلاح ضعف های تحلیل روش استاتیکی غیر خطی روش های مختلفی همچون ‮‭Pushover Analysis(MPA) Modal‬ و ‮‭Adaptive Pushover Analysis‬ارائه شده است .در روش ‮‭MPA‬ تقاضای لرزه ای در بسط مودال نیروهای موثر زلزله، به وسیله یک تحلیل پوش اور) بار افزون (با به کاربردن توزیع نیروی اینرسی برای هر مود تعیین می شود .از این تحلیل به منظور تخمین پاسخ حداکثر سیستم چند درجه آزادی غیر خطی استفاده می شود و سازه تا رسیدن به تغییر مکان هدف در نقطه کنترل بر اساس توزیع بار جانبی متاثر از مودهای ارتعاشی سازه پوش داده می شود و پاسخ مودال ماکزیمم به دست آمده برای مودهای مختلف با استفاده از یک قانون ترکیب مودال مناسب مانند ‮‭SRSS‬ جهت تخمین مقدار ماکزیمم پاسخ کل ترکیب می شوند .استفاده از روش ‮‭SRSS‬ که در تحلیل های خطی متداول می باشد، می تواند توام با خطاهای زیادی در تعیین پاسخ غیر خطی سازه ها باشد .در این پژوهش جهت تعیین حداکثر پاسخ کل، به جای روش فوق از الگوی شبکه عصبی مصنوعی استفاده می گردد .با طراحی یک شبکه عصبی چند لایه و استفاده از داده های آموزشی که نتایج تحلیل های مودال پوش اور و تاریخچه زمانی قاب های بتنی با تعداد طبقات مختلف می باشد، شبکه مورد نظر آموزش داده می شود.برای آموزش شبکه از شبکه های چند لایه پرسپترون ‮‭(MLP)‬ با الگوریتم یادگیری لونبرگ مارکوارت و با تعداد نرون های متغییر برای لایه میانی استفاده می گردد .جهت بررسی عملکرد شبکه برای داده های ارزیابی، از شبکه عصبی آموزش داده شده، استفاده می شود .در نهایت خروجی به دست آمده از شبکه عصبی مصنوعی و روش ‮‭SRSS‬ با خروجی تحلیل تاریخچه زمانی) به عنوان مرجع (در نمودارهائی مورد مقایسه قرار گرفتند که نتایج قابل قبولی مشاهده شد.

Text of Note

Abstract Estimating seismic demand at performance levels, such as life safety and collapse prevention, requires the explicit consideration of inelastic behavior of structure. Recently, nonlinear static analysis is an efficient method in the determination of structure behavior. Nonlinear static analysis is mostly replaced with nonlinear time history analysis because of its simplicity. However, this method has weaknesses and protests in some cases. Modal pushover analysis (MPA) and adaptive pushover analysis has been represented to modify protests.In the MPA method, seismic demand determine in the expansion of effective seismic forces by pushover analysis, using inertia force distribution for each mode. This analysis is used to estimate the peak response of nonlinear multi-degree freedom system and the structure subjected to lateral force of vibration mode until a predetermined target displacement in control point is reached and determined peak modal response are combined with different modes, using the appropriate combination rule of modes, such as SRSS to estimating the peak response value. Use of SRSS rule that is common in linear analysis could have many errors in the determination of the nonlinear structure response. In this research, artificial neural network is used instead of the above method, to determine the peak total response. The network has trained with designing neural multi-layer network, using trained data which obtained from the result of MPA and time history analysis of variant story number concrete frames. Perceptron multi-layer networks with levenberg-marquardt train-algorithm and variant neurons for hidden layer, is used to train the network. Then the trained neural network is used to determine the network performance for evaluation data. Finally, the results that obtained from artificial neural network and the SRSS rule is compared with time history analysis output (as a reference) in some diagrams and acceptable results were observed.

Time history analysis

Modal pushover analysis

SRSS rule

Artificial neural network

محمد علیزاده اصل، امید

غفارزاده، حسین، استاد راهنما

حدیدی، علی، استاد مشاور

Public note

سیاه و سفید

نمایه‌سازی قبلی