مهندسی عمران مدرس، جلد ۲۰، شماره ۶، صفحات ۸۹-۱۰۳
عنوان فارسی کاربرد سیستم استنتاج تطبیقی عصبی-فازی در برآورد شکل پذیری کلی سازه فولادی با مهاربندی واگرا تحت زلزله های حوزه نزدیک گسل پالسگونه
چکیده فارسی مقاله شکل­پذیری کلی، در برگیرنده­ی گستره­ای از پارامترهای مختلف تقاضای مهندسی، مانند نسبت جابجایی نسبی طبقات، دوران پلاستیک در انتهای اعضا، تغییرشکل سقف و غیره است. دقت در تخمین این پارامتر، یقینا منجر به استحصال دقت بیشتر طراحی اعضای سازه­ای خواهد شد. یکی از روش­هایی که بر اساس آن می­توان برآورد خوبی از پاسخ غیرخطی سازه بدست آورد، استفاده از پارامترهای تقاضای مهندسی و اندازه­ گیری شاخص شدت زمین لرزه می­باشد. ارائه یک مدل هوشمند بین مشخصات هندسی سازه، سطح عملکرد طراحی ، ضریب رفتار و شکل­پذیری کلی در قاب های فولادی واگرا تحت اثر زلزله های نزدیک گسل، هدف اصلی مقاله حاضر است. بدین منظور، در ابتدا یک بانک داده­ی وسیع متشکل از 12960 داده با تنوع 3، 6، 9، 12، 15 و 20 طبقه، 3 تیپ سختی ستون و 3 درجه لاغری مهاربندی تولید و طراحی شده و در برابر 20 زلزله نزدیک گسل دارای اثرات جهت پذیری پیش‌رونده برای 4 سطح عملکردی مختلف تحلیل شدند. جهت تولید مدل پیشنهادی از 6769 داده در آموزش مدل سیستم عصبی-فازی تطبیقی استفاده شده است. جهت تولید مدل از تمامی روش­های تولید سیستم منطق فازی شامل دسته­بندی تفریقی و خوشه­بندی فازی استفاده شده است. نتایج نشان داد که دسته­بندی تفریقی نتایج دقیق­تری نسبت به روش دیگر ارایه می­دهد. جهت اعتبارسنجی مدل هوشمند پیشنهادی، 2257 داده آزمون، جهت محاسبه میانگین مربعات خطای مدل ارایه شده مورد استفاده قرار گرفت. نتایج حاصل از بررسی همبستگی مدل پیشنهادی نشان­دهنده­ی وجود دقت بسیار بالا در مدل هوشمند پیشنهادی است.
کلیدواژه‌های فارسی مقاله مدل هوشمند،عصبی- فازی تطبیقی،سیستم مهاربندی واگرا،زلزله نزدیک گسل پالسگونه،سطح عملکرد
عنوان انگلیسی Application of Adaptive Neuro-Fuzzy Inference System for Estimating the Global Ductility of EBF steel frames under Pulse-type Near-fault Earthquakes
چکیده انگلیسی مقاله The need to solve the complex, nonlinear, and variable problems grows with time. Conventional mathematical models perform linear and constant analysis effectively. Although techniques that work on a particular model, capable of analyzing complex nonlinear and time-varying problems, however, they also face some limitations. Combining these with other issues such as decision making, etc., has inspired the development of intelligent techniques such as fuzzy logic, neural networks, genetic algorithms, and expert systems. Intelligent systems mainly employ a combination of these techniques to solve very complex problems. Although both fuzzy logic and artificial neural networks have been very successful in solving time-varying nonlinear problems, each has its own limitations which reduces their use in solve of many of these problems. The roof global ductility, is a comprehensive reflection of various engineering demand parameters (EDP), such as story-drift, plastic rotation at member ends, roof displacement, etc. Careful estimation of this parameter will certainly lead to greater accuracy in the design of structural members. One of the methods which establish a good estimate of the nonlinear seismic response is the using of EDP parameters and measuring the seismic intensity index. The main purpose of this paper is to establish an accurate intelligent model related to the geometrical characteristics of the structure, performance level, the behavior factor and global ductility in eccentrically steel frames, under earthquakes near-fault. For this purpose, genetic algorithm is used. Initially a wide database consisting of 12960 data with 3-, 6-, 9-, 12-, 15- and 20- stories, 3 column stiffness types, and 3 brace slenderness types were designed, and analyzed under 20 pulse-type near-fault earthquakes for 4 different performance levels. To generate the proposed model, 6769 training data were used in the form of adaptive-neural fuzzy inference system(ANFIS). Subtractive clustering and FCM methods have been used to generate the purposed model. The results showed that Subtractive clustering provides more accurate results than the other FIS. To validate the proposed model, 2257 test data were used to calculate the mean squared error of the model. The proposed model is an intelligent model in the range of data used, and can be used to estimate the global roof ductility of EBFs. To evaluate the efficiency and performance of the model, correlation coefficient and common error calculation criteria including RMSE and MARE were used. The correlation coefficient for the Subtractive clustering method was 0.888, based on intelligent model in the test data. In the other hand, the developed intelligent model can be used as a precise alternative to prediction of (μR) for EBFs under near-earthquakes. To evaluate the model's efficiently and accuracy, various error criteria including Error, Mean Error, RMSE, MARE% and R were used between model values and real values, in the test data. From the results of this study, it can be pointed out that, the developed intelligent model can be used as an accurate substitute method to predict the (μR) for EBF structures, under near-fault earthquakes. The results of correlation analysis of the proposed model show that the proposed intelligent model has high accuracy.
کلیدواژه‌های انگلیسی مقاله Intelligent model,Adaptive-neural fuzzy inference system,Eccentric braced frame,Pulse-type near-fault earthquake
نویسندگان مقاله سیدعبدالنبی رضوی | Seyed Abdonnabi Razavi
Department of Civil Engineering, Islamic Azad University, Ahvaz branch, Ahvaz, Iran
دانشجوی دکتری مهندسی سازه، دانشگاه آزاد اسلامی، واحد اهواز، اهواز، ایران

نوید سیاه پلو | Navid Siahpolo
ACECR Institute for higher education, Khouzestan Branch, Ahvaz, Iran
استادیار، موسسه آموزش عالی جهاددانشگاهی خوزستان، اهواز، ایران

مهدی مهدوی عادلی | Mehdi Mahdavi Adeli
Department of Civil Engineering, Islamic Azad University, Ahvaz branch, Ahvaz, Iran
گروه مهندسی عمران، دانشگاه آزاد اسلامی، واحد اهواز، اهواز، ایران

نشانی اینترنتی http://mcej.modares.ac.ir/browse.php?a_code=A-10-19236-2&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 پژوهشی اصیل (کامل)
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات