ارائه الگوريتم كنترل فعال فازي بهينه شده با روش مسابقه طناب كشي براي كنترل پاسخ هاي پل بزرگراه

Fuzzy-Tug of war structural active control for a seismically excited benchmark highway bridge

اين تحقيق يك الگوريتم كنترل فعال فازي بهينه شده تحت بارگذاري زلزله هاي مختلف، با روش بهينه سازي جديد بسيار كارآمد در مورد سازه هاي عمراني برگرفته از مسابقه طناب كشي پيشنهاد مي دهد. روش كنترل بر پايه تركيب شبكه عصبي فازي و روش بهينه سازي فراابتكاري بر پايه جمعيت مسابقه طناب كشي ارائه شده است. كارآمدي الگوريتم پيشنهادي بر روي پل بزرگراه بنچ مارك با جداگرهاي پايه غيرخطي و اعضاي سازه‌اي غير خطي مجهز به محرك هاي هيدروليكي ارزيابي شده است. الگوريتم قادر است ماهيت ميدان نزديك يا دور بودن زلزله را تشخيص داده و براساس آن نيروي كنترلي لازم را برآورد نمايد. نيروي كنترلي در اين تحقيق با استفاده از يك شبكه عصبي پنج لايه بدست آمده است. شبكه عصبي براي تقريب قوانين غيرخطي كنترل، به صورت بهينه توسط روش بهينه‌سازي معرفي شده، توانمند شده است و محرك هاي نصب شده بر روي پايه هاي پل را كنترل مي نمايد. پايداري قوانين كنترل حين بهينه سازي براي رسيدن به بهترين پارامترها، توسط تئوري لياپانوف كنترل مي شود. نتايج مدلسازي عددي به صورت انديس عملكرد و قابل قياس با روش هاي پيشين ارائه شده است. نتايج نشان مي دهد الگوريتم پيشنهادي در تمامي شش ركورد زلزله آزمايش شده در اين تحقيق، از روش هاي ارائه شده پيشين در كاهش پاسخ‌هاي سازه موفق تر بوده است. الگوريتم در كنار كاهش كلي پاسخ هاي پل، سبب كاهش ميزان خسارات سازه اي وارد بر آن نيز مي شود.

In this paper a new optimized active control algorithm based on combination of fuzzy neural network and a new highly efficient meta-heuristic population based optimization method extracted from Tug of War competition presents under different earthquake loads. The Efficiency of the proposed control method has been evaluated on the recently proposed nonlinear highway bridge benchmark, consist of nonlinear isolation bearings and nonlinear structural elements which equipped with the hydraulic actuators. A 5-layer neural network is used to obtain the control force. The neural network is utilized to approximate nonlinear rules of control. It gets instructions to the actuators installed between the deck and abutments. Stability of control laws to choose the parameters of the neural network are derived based on Lyapunov theory. The Results are presented in terms of a well-defined set of performance indices which is comparable to previous methods. The results show that the proposed controller method in spite of a simple description of the nonlinearities and non-detailed structural information can effectively reduce the responses of the bridge especially maximum of base shear, maximum of midspan displacement and maximum of acceleration. Also sensible decrease in responses such as maximum of ductility, dissipated energy and plasticity connections show that the proposed method is very effective in reducing structural damages.