دانشگاه صنعتی شاهرود مکانیک سازه ها و شاره ها 2251-9475 4 2 2014 06 22 Considering effects of modeling uncertainties on collapse fragility curve by artificial neural networks در نظر گرفتن اثرات عدم قطعیتهای مدلسازی بر منحنی شکنندگی فروریزش با استفاده از شبکه های عصبی مصنوعی 25 34 311 10.22044/jsfm.2014.311 FA احسان خجسته فر دانشجوی دکتری / دانشگاه صنعتی خواجه نصیر الدین طوسی سید بهرام بهشتی اول هیات علمی دانشگاه/ دانشگاه صنعتی خواجه نصیر الدین طوسی کوروش نصر الله زاده هیات علمی / دانشگاه صنعتی خواجه نصیر الدین طوسی محمدرضا ذوالفقاری هیات علمی دانشگاه/ دانشگاه صنعتی خواجه نصیر الدین طوسی Journal Article 2013 03 11 Abstract<br />Collapse fragility curves represent exceedance probability of collapse in structures while being excited by strong ground motions of earthquakes. Epistemic uncertainty sources have considerable effects on collapse fragility curves. In this paper, effects of epistemic uncertainties due to variation of modified Ibarra-Krawinkler moment-rotation parameters of steel structures are involved in collapse fragility curves applying Monte Carlo simulation based on Artificial Neural Networks (ANNs). To train the networks, input data is obtained by limited numbers of simulations of modeling parameters based on their probability distributions and output data is considered as resultant means and standard deviations of collapse fragility curves. Two two-layered artificial neural networks are trained and validated by obtained data. Monte Carlo simulation is implemented through application of trained neural networks and resultant collapse fragility curves are derived. Efficiency of the proposed method is demonstrated by comparing with response surface based Monte Carlo method. Prediction errors are reduced 22% and 2% applying ANN-based Monte Carlo simulations for mean and standard deviation of collapse fragility curves, respectively. چکیده: <br />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. https://jsfm.shahroodut.ac.ir/article_311_c375abd679535e72abb9aa844a20431b.pdf