در نظر گرفتن اثرات عدم قطعیتهای مدلسازی بر منحنی شکنندگی فروریزش با استفاده از شبکه های عصبی مصنوعی

نوع مقاله: مقاله مستقل

نویسندگان

1 دانشجوی دکتری / دانشگاه صنعتی خواجه نصیر الدین طوسی

2 هیات علمی دانشگاه/ دانشگاه صنعتی خواجه نصیر الدین طوسی

3 هیات علمی / دانشگاه صنعتی خواجه نصیر الدین طوسی

چکیده

چکیده:
منحنی شکنندگی فروریزش نشان دهنده احتمال فراتر رفتن حالت حدی فروریزش در سازه هایی که تحت اثر رکوردهای زمین لرزه قرار میگیرند، است. منابع عدم قطعیت دانش اثرات قابل توجهی بر منحنی شکنندگی فروریزش دارند. در این مقاله، اثرات عدم قطعیتهای دانش ناشی از تغییرات موجود در پارامترهای مدل ممان چرخش اصلاح شده ایبارا-کراوینکلر در سازه های فولادی با استفاده از روش شبیه سازی مونت کارلو بر اساس شبکه های عصبی مصنوعی در منحنی شکنندگی فروریزش دخیل می گردند. جهت آموزش شبکه، داده های ورودی با استفاده از شبیه سازی محدود پارامترهای مدلسازی بر اساس توزیع احتمالی آنها و داده های خروجی مقادیر میانگین و انحراف استاندارد منحنی شکنندگی فروریزش مربوطه به دست می‌آیند. دو شبکه دولایه ای با استفاده از داده های ورودی آموزش و صحت سنجی شده اند. شبیه سازی مونت کارلو با استفاده از شبکه آموزش دیده صورت گرفته است و منحنی شکنندگی فروریزش تعیین می‌گردد. کارایی روش ارائه شده با مقایسه نتایج حاصل از مونت کارلو بر اساس سطح پاسخ نشان داده شده است. خطای پیش بینی به ترتیب برای مقادیر میانگین و انحراف استاندارد با استفاده از روش پیشنهادی به میزان 22 و 2 درصد نسبت به روش سطح پاسخ کاهش میاید.

کلیدواژه‌ها


[1] Lignos D (2008) Sideway collapse of deteriorating structural systems under seismic excitations. PhD dissertation, Department of Civil Engineering, Stanford University.

[2] Liel AB, Haselton CB, Deierlein GG, Baker JW (2009) Incorporating modeling uncertainties in the assessment of seismic collapse risk of buildings. Structural Safety 31: 197–211.

[3] Zareian F, Krawinkler H, Ibarra L, Lignos D (2010) Basic concepts and performance measures in prediction of collapse of buildings under earthquake ground motions. Struct Design Tall Spec Build 19: 167–181.

[4] Wyllie LA, Filson JR (1989) Armenia earthquake reconnaissance report. Earthquake Spectra, Special supplement,

[5] Khurana A (2005) Report on earthquake of 8th October in some parts of Northern India. http://www.ndmindia.nic.in

[6] UBC (1997) Uniform building code. International Conference of Building Officials, Whittier, California.

[7] FEMA (2000) ‘Recommended seismic design criteria for new steel moment frame buildings. Rep No FEMA-350, SAC Joint Venture, Federal Emergency Management Agency, Washington, DC.

[8] ATC-58-1 75% Draft guidelines for seismic performance assessment of buildings, Volume 1- Methodology: https://www.atcouncil.org/Projects/atc-58-project.html

[9] DerKiureghian A, Ditlevsen O (2008) Aleatory or epistemic? Does it matter? Struct Saf DOI: 10.1016/j.strusafe.2008.06.020.

[10] Benjamin JR, Cornell CA (1970) Probability, statistics and decision for civil engineers. New York: McGraw-Hill.

[11] Ellingwood B (2009) Quantifying and communicating uncertainty in seismic risk assessment. Structural Safety 31: 179–18.

[12] Rubinstein RY (1981) Simulation and the Monte Carlo method. New York: John Wiley and Sons.

[13] Pinto P, Giannini R, Franchin P (2005) Seismic reliability analysis of structures. Pavia, Italy: IUSS Press.

[14] Vamvatsikos D, Cornell CA (2002). Incremental dynamic analysis. Earthquake Engineering and Structural Dynamics 31(3): 491–514.

[15] Krawinkler H, Zareian F, Dimitrios G Lignos, Ibarra F (2009) Prediction of collapse of structures under earthquake excitations. ECCOMAS Thematic Conference on Computational Methods in Structural Dynamics and Earthquake Engineering.

[16] Kramer SL (1996) Geotechnical earthquake engineering. Prentice Hall, Upper Saddle River, NJ, 653.

[17] Ibarra LF, Medina RA, Krawinkler H (2005) Hysteretic models that incorporate strength and stiffness deterioration. Earthquake Engineering and Structural Dynamics 34(12): 1489–1511.

[18] Zareiana F, Krawinkler H, (2009) Simplified performance based earthquake engineering. The John A. Blume Earthquake engineering center, Report No. 169

[19] Douglas A Foutch, Seung-Yul Y (2002) Modeling of steel moment frames for seismic loads. Journal of Constructional Steel Research 58: 529–564

[20] Medina R (2002) Seismic demands for nondeteriorating frame structures and their dependence on ground motions. PhD dissertation, Department of Civil Engineering, Stanford University

[21] Li X (1996) Simultaneous approximations of multivariate functions and derivatives by neural networks with one hidden layer. Neuro-computing; 12: 327–43.

[22] Lagaros ND, Fragiadakis M (2007) Fragility assessment of steel frames using neural networks. Earthquake Spectra 23(4): 735–752.

[23] Papadrakakis, M., Papadopoulos, V., Lagaros, N. D., Oliver, J., Huespe, A. E., & Sánchez, P. (2008) Vulnerability analysis of large concrete dams using the continuum strong discontinuity approach and neural networks. Structural Safety 30(3): 217–235.

[24] Lagaros, N. D., Tsompanakis, Y., Psarropoulos, P. N., & Georgopoulos, E. C. (2009) Computationally efficient seismic fragility analysis of geostructures. Computers & Structures 87(19): 1195–1203.

[25] Ibarra LF, Krawinkler H (2005) Global collapse of frame structures under seismic excitations, Pacific Earthquake Engineering Research Center.

[26] Luco N (2002) Probabilistic seismic demand analysis, SMRF connection fractures, and near-source effects (Doctoral dissertation, Stanford University).

[27] Cornell CA, Jalayer F, Hamburger RO, Foutch DA (2002) Probabilistic basis for 2000 SAC Federal Emergency Management Agency steel moment frame guidelines. Journal of Structural Engineering 128(4): 526–533.