پیش‌بینی احتمال فروریزش ستون بتن‌آرمه آسیب‌دیده تحت توالی لرزه–پس‌لرزه با الگوریتم یادگیری ماشین

پیش‌بینی احتمال فروریزش ستون بتن‌آرمه آسیب‌دیده تحت توالی لرزه–پس‌لرزه با الگوریتم یادگیری ماشین

سهند رازورز1 عرفان شافعی2

1) - دانشجوی کارشناسی ارشد مهندسی عمران (زلزله)، دانشگاه صنعتی ارومیه،
2) - دانشیار، گروه عمران، دانشگاه صنعتی ارومیه، ارومیه، ایران

کد IOI مقاله : ABFG-ACAGCG
محل انتشار : دوازدهمین کنگره سالانه بین المللی عمران، معماری، هنر و توسعه شهری(12icsau.ir)
چکیده :
    ارزیابی سریع تعداد زیادی از ساختمان‌های بتن‌آرمه آسیب‌دیده پس از زلزله برای تصمیم‌گیری درباره تخلیه، تعمیر یا بهره‌برداری موقت حیاتی است، اما روش‌های متداول مبتنی بر تحلیل دینامیکی غیرخطی زمان‌بر و پرهزینه‌اند. در این مقاله چارچوبی مبتنی بر یادگیری ماشین برای پیش‌بینی وضعیت فروریزش ستون‌های بتن‌آرمه آسیب‌دیده تحت زلزله‌های بعدی تشریح و ارزیابی می‌شود. ابتدا با نظریه میدان کرنش آسیب، 10000 مدل عددی ستون آسیب‌دیده با پارامترهای طراحی و درجات آسیب متنوع در نرم‌افزار OpenSees ساخته می‌شود. سپس مدل‌ها تحت 1000 رکورد جنبش زمین تحلیل تاریخچه زمانی شده و وضعیت ایمن یا فروریزش هر مدل بر پایه نسبت دریفت نهایی تعیین می‌گردد. مجموعه داده حاصل، شامل پارامترهای طراحی، شاخص آسیب و شش شاخص شدت جنبش زمین، برای آموزش الگوریتم جنگل تصادفی به‌کار می‌رود و مدل با داده‌های آزمایشگاهی 47 ستون بتن‌آرمه با اندازه واقعی ارزیابی می‌شود. مدل به سطح زیر منحنی (AUC) برابر 0/87، امتیاز F1 برابر 0/76 و دقت کلی حدود 82 درصد دست یافته است. تفسیر مدل با روش SHAP نشان می‌دهد نسبت فشار محوری، شدت طیفی سرعت، نسبت حجمی خاموت، شاخص آسیب و نسبت آرماتور مقطع مؤثرترین متغیرها هستند و جهت اثر آن‌ها با مکانیک رفتار ستون سازگار است. تحلیل خطا نشان می‌دهد پیش‌بینی‌های با احتمال نزدیک به 50 درصد پرخطاترین موارد بوده و نیازمند ارزیابی تکمیلی‌اند. چارچوب بررسی‌شده برای ارزیابی اولیه و سریع ستون‌ها پس از زلزله مناسب است.

کلمات کلیدی : ستون بتن‌آرمه آسیب‌دیده پس‌لرزه احتمال فروریزش یادگیری ماشین جنگل تصادفی