تخمين پاسخ هاي فروريزش سازه با در نظر گرفتن عدم قطعيت هاي مدل سازي با استفاده از روش سطح پاسخ و شبكه عصبي مصنوعي

Estimating Structural Collapse Responses Considering Modeling Uncertainties using Artificial Neural Networks and Response Surface Method

در اين تحقيق ارزيابي پاسخ­‌هاي فروريزش يك سازه قاب خمشي بتني با در نظر گرفتن عدم قطعيت­‌هاي مدل‌سازي مورد بررسي قرار گرفته است. عدم قطعيت‌­هاي مدل‌سازي براي ارزيابي پاسخ فروريزش، پارامترهاي مربوط به منحني ممان- چرخش اصلاح شده ايبارا-كراوينكر در تيرها و ستون هاي سازه مي­‌باشد. براي آناليز عدم قطعيت، همبستگي بين پارامترهاي مدل در يك جز و بين پارامترهاي دو جز سازه­اي در نظر گرفته شده است. براي توليد متغيرهاي تصادفي مستقل از روش LHS و از تجزيه چولسكي براي ايجاد متغيرهاي تصادفي وابسته استفاده شده است. با توليد 281 شبيه سازي براي عدم قطعيت‌­ها با در نظر داشتن همبستگي بين آن­ها، آناليزهاي ديناميكي افزايشي با 44 شتاب‌نگاشت دور از گسل انجام شده است. پاسخ­‌هاي فروريزش براي هر شبيه­‌سازي شامل ميانگين ظرفيت فروريزش، ميانگين دريفت فروريزش و ميانگين بسامد ساليانه فروريزش به‌ دست آمده و سپس با استفاده از روش سطح پاسخ و شبكه‌­هاي عصبي پاسخ­‌هاي فروريزش پيش‌­بيني شده است. نتايج نشان مي­‌دهند كه مقادير ضريب همبستگي بين داده‌­هاي هدف حاصل از تحليل­‌هاي ديناميكي افزايشي و داده­ه‌اي خروجي حاصل از پيش­‌بيني، به روش سطح پاسخ و شبكه عصبي مصنوعي براي پاسخ‌­هاي فروريزش بالاي0/98 به‌ دست آمده است و حداكثر خطاي پيش‌بيني براي ميانگين ظرفيت فروريزش و ميانگين دريفت فروريزش كمتر از 5% و براي ميانگين بسامد ساليانه ساليانه فروريزش كمتر از 10% در روش سطح پاسخ و شبكه عصبي مصنوعي مي‌­باشد.

This research investigates the collapse responses of a concrete moment frame considering modeling uncertainties. These modeling uncertainties are considered for evaluating a collapse response related to the modified Ibarra-Krawinkler moment-rotation parameters for beam and column elements of a given structure. To analyze these uncertainties, the correlations between the model parameters in one component and between two structural components were considered. Latin Hypercube Sampling (LHS) method was employed to produce independent random variables. Moreover, Cholesky decomposition was adopted to produce correlated random variables. Performing 281 simulations for the uncertainties involved considering their inter-correlations, incremental dynamic analysis (IDA) was done using 44 far-field accelerograms to determine structural collapse responses. Collapse responses of each simulation, including mean collapse capacity, mean collapse drift and mean annual frequency, were obtained. Then, the collapse responses were predicted using the response surface method and artificial neural network. The results show that the Correlation coefficients (R) between the target data resulted from incremental dynamic analysis (IDA), output data resulted from response surface method (RSM), and artificial neural network (ANN) were obtained for the collapse responses above 0.98. The maximum prediction errors for mean collapse capacity and mean collapse drift are less than 5% and for mean annual frequency less than 10% under the response surface method (RSM) and artificial neural network (ANN).