تحلیل قابلیت اعتماد چلیک‏ های فضاکار بهینه‏ سازی شده با استفاده از شبکه های عصبی

تحلیل قابلیت اعتماد چلیک‏ های فضاکار بهینه‏ سازی شده با استفاده از شبکه های عصبی

مسعود دانش1 جواد عبدالحسینی2

1) استادیار گروه عمران دانشکده فنی خوی دانشگاه ارومیه
2) استادیار گروه معماری دانشکده فنی خوی دانشگاه ارومیه

محل انتشار : دومین کنفرانس عمران، معماری و شهرسازی کشورهای جهان اسلام(cau2019.ir)
چکیده :
در این تحقیق، طراحي بهينه ‏ی چليک‏ های دولايه در فرم مختلف لایه ‏ها، با استفاده از الگوريتم های فراکاوشی و تاثیر ثابت ناکاملی از نوع انحنای اولیه‏ ی اعضا، به همراه تاثیر احتمالاتی ناکاملی از نوع تغییرات تنش تسلیم مصالح در قابلیت اعتماد طرح بهینه با تکیه گاه های متفاوت و با به کارگیری تحلیل شبیه سازی مونت کارلو به کمک نرم افزار OpenSEES، ارائه می‏ شود. فرم مناسب سازه‏ های فضاکار تاثیر بسزایی در تعیین یک طرح مناسب جهت بهینه‏ سازی این سازه‏ ها دارد. هدف اصلی از این تحقیق، تعیین بهترین فرم از بین تمام مدل‏ های مورد بررسی به عنوان طرح مهندسی و اقدام به بهینه‏ سازی این مدل با فرض رفتارهای غیرخطی و تحلیل قابلیت اعتماد مدل حاصله می‏باشد. برای این منظور چلیک‏های دولایه، تحت آنالیز و طراحی قرار گرفته‏ و بهترین مدل، فرم دوراهه روی دوراهه به عنوان طرح مهندسی تعیین شده و تحت فرآیند بهینه سازی و سپس قابلیت اعتماد قرار گرفته است. ناکاملی ها در سازه های فضاکار، با توجه به نوع، میزان، مکان و نحوه ی توزیع، ماهیتی تصادفی دارند. توصیف رفتار سیستم های سازه ای واقعی به طور اجتناب ناپذیری، وابسته به برخی منابع عدم قطعیت یا پارامترهای تصادفی است. برای این منظور ناکاملی مصالح گفته شده با تابع چگالی احتمال لاگ نرمال ایجاد، رفتار اعضای فشاری تعیین شده، با توزیع یکنواخت روی اعضای سازه به تعداد دفعات زیاد پخش و بار مربوط به خرابی اولیه ی سازه ها استخراج و در تابع حالت حدّی، جایگذاری شده است. سپس با تعیین علامت تابع حالت حدّی، سازه هایی که شرایط مورد نظر را اقناع نکرده باشند، به عنوان سازه های مردود شناسایی شده، احتمال خرابی سازه تحت تابع حالت حدّی، تعیین می گردد. در انتها، به وسیله ی آموزش شبکه های عصبی، رفتار اعضا و سپس رفتار سازه مورد ارزیابی و پیش بینی قرار می گیرند.
کلمات کلیدی : بهینه سازی چلیک دولایه الگوریتم ‏های فراکاوشی ناکاملی هندسی و مصالح بار اولین خرابی شبکه ی عصبی آنالیز قابلیت اطمینان مونت کارلو.