پيش بيني مقاومت نهايي تيرورق هاي تحت اثر بار موضعي به كمك ماشين بردار پشتيبان (SVM)

Modeling the Patch Load Resistance of Plate Girders Using a Support Vector Machine

در سال هاي اخير روش هاي يادگيري ماشين به طور گسترده در مدل سازي مسائل علوم مختلف مورد استفاده قرار گرفته اند. روش ماشين بردار پشتيبان نيز يكي از روش هاي نسبتاً جديد يادگيري ماشيني است كه در مدل سازي مسائل مهندسي به طور موفقيت آميز مورد استفاده قرار گرفته است. در اين پژوهش از روش ماشين بردار پشتيبان براي پيش بيني مقاومت نهايي تيرورق هاي تحت اثر بارهاي موضعي استفاده شده است. بارهاي موضعي يكي از انواع بارگذاري ها است كه مي تواند سبب بروز ناپايداري و گسيختگي تيرورق ها شود. عوامل مهم و موثر در ناپايداري تيرورق ها، از قبيل كمانش جان وبال و ايجاد لهيدگي در محل اتصال بال به جان، باعث پيچيده شدن رفتار تيرورق ها مي شود. به همين دليل نتايج روش هاي نيمه تجربي موجود و يا نتايج تحليل اين مسئله با روش اجزاي محدود همواره با خطاهاي قابل توجهي همراه بوده است و نياز به روش هاي كارآ تر هم چنان وجود دارد. در اين مقاله از يك مجموعه داده شامل 126 نمونه از نتايج آزمايش هاي موجود براي گسترش مدل ماشين بردار پشتيبان استفاده شده است. اين داده ها از مقالات منتشرشده استخراج شده اند و هر نمونه شامل مشخصات هندسي تيرورق، مشخصات بارگذاري و مشخصات مكانيكي مصالح تير ورق مي باشد. مقايسه نتايج حاصل از مدل هاي ارائه شده در اين مقاله با مقادير اندازه گيري شده، خطاي متوسط كمتر از %7 را بر روي نمونه هاي آزمايش نشان مي دهد و درنهايت مقايسه نتايج مدل هاي ارائه شده در اين مقاله با يك روش سنتي متداول، برتري مدل SVM را تاييد مي كند.

The support vector machine (SVM) is a relatively new machine learning method which is increasingly being applied to engineering problems and have yielded encouraging results. Because of complex behavior of elastoplastic of web panels of plate girders under patch loading، almost none of the proposed methods provides consistent and accurate predictions of patch load capacity. Consequently، alternative solutions are required to overcome these limitations. In this paper SVM models are developed for predicting the ultimate resistance of plate girders subjected to patch loading. The training and testing patterns of the proposed SVM models are based on well established experimental results taken from literature. Finally a comparison is made between predictions obtained from the SVM models and a traditional method for determining patch loading resistance. The comparison confirms that the SVM models developed in this paper، outperform the traditional method.