مهندسی عمران مدرس، جلد ۱۸، شماره ۴، صفحات ۰-۰
عنوان فارسی تخمین ظرفیت دورانی تیرهای بال پهن با بهره گیری از شبکه‌ های عصبی مصنوعی بیزین (BRANN)
چکیده فارسی مقاله در این مقاله برای اولین بار با ساخت یک مدل شبکه عصبی مصنوعی بیزین که جزو جدیدترین روش های محاسبات نرم است، ظرفیت دورانی تیر بال پهن فولادی تخمین زده شده است. استفاده از روش ‏های متفاوت نظیر المان محدود، روش‏ های رگرسیونی و آماری در پژوهش های پیشین در سال ‏های اخیر مورد بحث قرار گرفته است، لذا در این پژوهش برای تخمین دقیق ‏تر و سریع ‏تر ظرفیت دورانی از تکنیک شبکه‏ های عصبی مصنوعی از نوع شبکه بیزین استفاده شده است. داده‏ های لازم برای آموزش و آزمایش شبکه بر اساس نتایج آزمایشگاهی معتبر از تاریخچه تحقیقات به دست آمده است. ورودی های مدل ساخته شده برای این منظور شامل نصف عرض بال تیر، ارتفاع جان، ضخامت بال، ضخامت جان، طول، تنش تسلیم بال و تنش تسلیم جان است و تابع هدف نیز ظرفیت دورانی ‏می باشد. نتایج به دست آمده از این مدل با نتایج آزمایشگاهی و دیگر مدل های ارایه شده در گذشته مورد مقایسه دقیق قرار گرفت. نتیجه این مطالعه نشان دهنده آن است که استفاده از این رویکرد جدید نسبت دیگر مدل‏ ها دارای دقت بالاتری بوده و کاربردی خواهد بود و می‏ توان از شبکه عصبی مصنوعی بیزین به عنوان ابزاری قدرتمند در این گونه از مسایل بهره برد.
کلیدواژه‌های فارسی مقاله ظرفیت دورانی،تیر بال پهن،شبکه‌ عصبی مصنوعی بیزین،رفتار پلاستیک،
عنوان انگلیسی An Approach for Estimating the Rotation Capacity of Wide Flange Beams using Bayesian Regularized Artificial Neural Networks (BRANN)
چکیده انگلیسی مقاله In this paper, for the first time using of Bayesian regularized artificial neural network (BRANN) model, which is a novel method of among soft computing (SC) methods (such as fuzzy logic, genetic programming, neural network) to predict the rotational capacity of wide-flange steel beams. Steel is one of the most commonly used materials in construction industries, mainly in steel structures. There are many researches and studies on the behavior of a structural member of steel structure such as beams under different types of loading. The accurate estimation of rotation capacity (plastic rotation capacity) is of significant importance issue for plastic and seismic analysis and design of steel structures especially for high rise building (nonlinear behavior). Similarly, the moment redistribution in a steel structure also depends on the rotation capacity of the section. So the determination and accurate prediction of rotation capacity of steel structures members such as wide flange beams become an important task. Using different methods such as finite element, regression and statistical methods in previous studies has been used in recent years. Therefore, in order to estimate the more accurate value of the rotational capacity of wide flange beams, Artificial neural networks are used with the Bayesian learning process. The Bayesian regularized network assigns a probabilistic nature to the network weights, allowing the network to automatically and optimally penalize excessively complex models. The proposed technique (BRANN) reduces the potential for overfitting and overtraining, improving the prediction quality and generalization of the network. The proposed model (BRANN) is based on experimental data that collected from previous studies. After a comprehensive review of existing literature, 77 data of wide flange beam were selected which had experienced to determined rotation capacity. For this purpose, Half-length of flange, height of web, thickness of flange, thickness of web, length of beam, yield strength of flange and yield strength of web were consider as input parameters (six inputs) while rotation capacity is treated as target of the Bayesian regularized artificial neural network model. The Bayesian regularized artificial neural network is modeled in MATLAB software and applied to predict the rotation capacity. The results of this model were compared with experimental results and other models and equations that presented in the past (including Genetic programming (GP), Li equation and Kemp Equation. An analysis is carried out to check the performance of the proposed BRANN model based on the common criteria such as Mean Absolute Percentage Error (MAPE). The optimal and best model should have the lowest values of MAPE, this parameter is 20.32% for BRANN, 23.49% for a Genetic Programming model that proposed by Cevik, 47/20% for Li's Equation and 56.98% for Kemp's equations. The results of Bayesian regularized artificial neural network approach indicate a good agreement between the predicted and measured data. Furthermore, the Bayesian regularized artificial neural network model shows the most optimized results compared to all the previous model and equations. The result indicated that the Bayesian regularized artificial neural network could be used as a powerful tool for engineers and researcher to solve this kind of problems.
کلیدواژه‌های انگلیسی مقاله
نویسندگان مقاله سید علیرضا علوی | Seyed Alireza Alavi
M.Sc. Graduated, Faculty of Civil Engineering, Semnan University, Semnan, Iran
دانش آموخته کارشناسی ارشد، دانشکده مهندسی عمران، دانشگاه سمنان، سمنان، ایران

حسین نادرپور | Hosein Naderpour
Associate Professor, Faculty of Civil Engineering, Semnan University, Semnan, Iran.
عضو هیئت علمی دانشگاه سمنان/ معاون آموزشی و مدیر تحصیلات تکمیلی

پویان فخاریان | Pouyan Fakharian
Ph.D. Candidate, Faculty of Civil Engineering, Semnan University, Semnan, Iran
دانشجوی دکتری، دانشکده مهندسی عمران، دانشگاه سمنان، سمنان، ایران

نشانی اینترنتی http://journals.modares.ac.ir/browse.php?a_code=A-16-12483-1&slc_lang=fa&sid=16
فایل مقاله فایلی برای مقاله ذخیره نشده است
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده
نوع مقاله منتشر شده
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات