%0 Journal Article %T در نظر گرفتن اثرات عدم قطعیتهای مدلسازی بر منحنی شکنندگی فروریزش با استفاده از شبکه های عصبی مصنوعی %J مکانیک سازه ها و شاره ها %I دانشگاه صنعتی شاهرود %Z 2251-9475 %A خجسته فر, احسان %A بهشتی اول, سید بهرام %A نصر الله زاده, کوروش %A ذوالفقاری, محمدرضا %D 2014 %\ 06/22/2014 %V 4 %N 2 %P 25-34 %! در نظر گرفتن اثرات عدم قطعیتهای مدلسازی بر منحنی شکنندگی فروریزش با استفاده از شبکه های عصبی مصنوعی %K عدم قطعیت دانش %K منحنی شکنندگی فروریزش %K سازه خمشی فولادی %K شبکه عصبی مصنوعی %K شبیه سازی مونت کارلو %R 10.22044/jsfm.2014.311 %X 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. %U https://jsfm.shahroodut.ac.ir/article_311_c375abd679535e72abb9aa844a20431b.pdf