ارايه روش پيشنهادي براي توليد ارتعاش (شتاب نگاشت) مصنوعي با استفاده از آشفتگي تقريبي و تحليل اجزاي اصلي براي تحليل پويايي سازه هاي آبي

Presenting the proposed method for generating Artificial Accelerograms using Approximate Entropy and principal component analysis (PCA) for dynamic analysis of Hydraulic structure

اغلب پديده‌هاي طبيعي اتفاقي از نظم خاصي پيروي نمي‌كنند. در علوم مهندسي، شناخت و بررسي اين پديده‌ها از جهات مختلف ضروري مي‌باشد و از جايگاه خاصي برخوردار است. در بسياري از حالات، طرح نهايي تسهيلات بحراني يا سازه‌هاي مهم از قبيل نيروگاه‌هاي برق هسته‌اي، سدها، شبكه‌هاي انتقال نيرو و ساختمان‌هاي مرتفع بر اساس تحليل كامل تاريخچه زماني تهيه مي‌شود. يكي از كاربردهاي مطلوب تحليل اجزاي اصلي، استفاده از آن به عنوان ابزاري كمكي در آموزش شبكه‌هاي عصبي، عصبي فازي و ... است. تحليل اجزا اصلي (PCA) يك شگرد سودمند آماري است. اين تبديل، تبديلي بهينه در كارهاي فشرده‌سازي و كاهش بعد است و خطاي ميانگين مربعات حاصل از فشرده‌سازي را كمينه مي‌كند. اين تبديل وابسته به داده‌هاي ورودي مي‌باشد. در اين تحقيق با توجه به نياز مهندسان سعي در ارايه روش‌هاي موثر و مفيد جهت بررسي و توليد ارتعاش مصنوعي برپايه توانمندي تحليل اجزاي اصلي و آشفتگي تقريبي شده است. در روش پيشنهادي ميزان نامنظمي نگاشته‌ها بررسي شده و با كاهش زمان اجراي الگوريتم، سعي در كاهش مدت زمان در توليد شتابنگاشت‌هاي مصنوعي شده است. با توجه به روش ارايه شده مي‌توان در تحليل و طراحي نيروگاه‌هاي برق‌آبي، سدها، شبكه‌هاي انتقال نيرو و ساختمان‌هاي بلند در برابر بارهاي جانبي استفاده كرد.

Most of natural phenomena do not follow special order and trend. In engineering sciences; true perception of this natural phenomenal is matter of importance. In structural engineering, final design of important structures such as dams, nuclear power plant, tall building and life line is performed based on time history analyses. One of the valuable uses of Principal Component Analysis (PCA) is training of neural network by PCA as a helping tool. In the proposed method of this study, principal component analysis (PCA) was used to decrease the dimension of real earthquake record as input matrix. Approximate entropy (ApEn) is also a statistic approximation used to quantify randomness and complexity in the noisy time series data. In mathematical viewpoints, approximate entropy is a part of general development as the rate of entropy which was used in this study for generating artificial earthquake accelogarams. In this research, it is tried to present the useful method for generating artificial earthquake accelogarams based on approximate entropy (ApEn) and principal component analysis (PCA).Furthermore, in the proposed method of this study, the irregularity of data is considered to reduce the time consuming process by the PCA algorithm therefore duration of generating the artificial earthquake accelogarams is reduced. The proposed method of this study can be effectively used for generating the artificial earthquake accelogarams for design and analysis of hydraulic power plant, dam, life line and tall building.