این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
مدلسازی در مهندسی، جلد ۵، شماره ۱۹، صفحات ۱۱-۲۱
عنوان فارسی تخمین پارامترهای شتاب، سرعت و جابجایی ماکزیمم زمین با استفاده از شبکه عصبی مصنوعی
چکیده فارسی مقاله به منظور انجام تحلیل‏های دینامیکی و همچنین تعیین میزان خطرپذیری در هر منطقه بایستی بتوان پارامترهای زمین‌لرزه‌ احتمالی آن منطقه را تخمین زد. در این مقاله تلاش خواهد شد با استفاده از شبکه عصبی مصنوعی مقادیر شتاب، سرعت و جابجایی ماکزیمم زمین تخمین زده شود. بدین منظور از شبکه‏ها‏ی عصبی به عنوان یکی از روش‏ها و تکنیک‏های کاربردی هوش مصنوعی در ارائه یک روش محاسباتی ساده‏تر برای حذف تردیدها و عدم قطعیت‏ها در معادلات کاهندگی موجود استفاده شده است. در الگوریتم آموزشی بکار رفته، متوسط سرعت موج برشی در 30 متر اول لایه زمین، بزرگای زلزله، فاصله منشاء تا محل و عمق کانونی زلزله به عنوان پارامترهای ورودی و مقادیر ماکزیمم شتاب، سرعت و جابجایی به عنوان خروجی‏های این شبکه‏ها در نظر گرفته شده است. در این تحقیق از 2880 رکورد زلزله ثبت شده در "پروژه تولید نسل جدید روابط کاهندگی" استفاده شده که بزرگای زلزله در این رکوردها بین 5/4 تا 9/7 ریشتر، فاصله‏ی ایستگاه ثبت رکورد زلزله تا مرکز زلزله بین 3/2 تا 195 کیلومتر، عمق کانونی زلزله بین 5/0 تا 29 کیلومتر و سرعت متوسط امواج برشی در 30 متر اول لایه‏ی زمین بین 116 تا 2016 متر بر ثانیه می‏باشد. نتایج بیانگر عمل‏کرد مناسب و مطلوب شبکه‏های عصبی در تخمین پارامترهای جنبش نیرومند زمین می‏باشد.
کلیدواژه‌های فارسی مقاله
عنوان انگلیسی ESTIMATION OF PEAK GROUND ACCELERATION, VELOCITY AND DISPLACEMENT USING ARTIFICIAL NEURAL NETWORK
چکیده انگلیسی مقاله Dynamic analyses require many seismic data such as design acceleration and spectra of the site and earthquake records. This paper aims to predict peak ground acceleration, speed, and displacement using Artificial Neural Network (ANN). The proposed method of estimating PGA, PGV and PGD from earthquake parameters via a neural network has been applied to the database of the Next Generation Attenuation (NGA) project which includes 1950 recorded earthquake accelerograms classified into three sets according to the faulting mechanism for the training of the neural networks. The number of earthquake accelerograms for each mechanism (the strike-slip, reverse and reverse-oblique) is 650. Earthquake records have moment magnitudes between 4.5 and 7.9 Richter, distances from the recording site to epicentre ranging from 2.3 to 195 kilometres, hypocenter depths between 0.5 to 29 kilometres, and average shear-wave velocities in the top 30m ranging from 116 to 2016 m/sec. In the selected learning algorithm, the average speed of the shear wave in the top 30 metres, focal depth, magnitude and distance to source are the input variables, and Peak Ground Acceleration, Velocity and Displacement (PGA, PGV and PGD) values are used as output. Close match between the predicted values of the deployed method with the observed values and its ability to reduce or even eliminate the uncertainties in the attenuation relationships show that this method can be used as a reliable method for predicting the main parameters of strong ground motions. The results indicate successful performance for the artificial neural network algorithm in predicting the expected results.
کلیدواژه‌های انگلیسی مقاله
نویسندگان مقاله حسین بخشی | bakhshi


محمد خراسانی | khorasani


محمدرضا فدوی | mohammad reza fadavi


غلامرضا قدرتی امیری | ghodrati amiri


محمد علی برخورداری | mohammad ali barkhordari


نشانی اینترنتی http://modelling.journals.semnan.ac.ir/browse.php?a_code=A-10-1-41&slc_lang=fa&sid=fa
فایل مقاله اشکال در دسترسی به فایل - ./files/site1/rds_journals/1058/article-1058-207883.pdf
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده
نوع مقاله منتشر شده پژوهشی
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات