مدل هوشمند تطبیقی عصبی-فازی در برآورد ضریب رفتار سازه‌ فولادی با پیکربندی مهاربندی واگرا تحت زلزله‌های حوزه نزدیک پالسگونه

نوع مقاله : یادداشت فنی

نویسندگان

1 گروه مهندسی عمران، دانشگاه آزاد اسلامی، واحد اهواز، اهواز، ایران

2 معاون آموزشی و تحصیلات تکمیلی، استادیار گروه آموزشی عمران، موسسه آموزشی عالی جهاددانشگاهی خوزستان، اهواز، ایران

چکیده

ارائه یک مدل هوشمند بین مشخصات هندسی سازه، سطح عملکرد طراحی و ضریب رفتار در قاب‌های فولادی با مهاربندی واگرا تحت اثر زلزله‌های حوزه نزدیک‌، هدف مقاله حاضر است. بدین منظور، یک بانک داده‌ی وسیع متشکل از 12960 داده با تنوع 3، 6، 9، 12، 15 و 20 طبقه دوبعدی، 3 تیپ سختی ستون و 3 درجه لاغری مهاربندی طراحی شده و در برابر 20 زلزله حوزه نزدیک دارای اثرات جهت‌پذیری پیش‌رونده برای 4 سطح عملکردی مختلف تحلیل شدند. جهت تولید مدل سیستم عصبی-فازی تطبیقی، با بهره‌گیری از روش‌های دسته‌بندی تفریقی و خوشه‌بندی فازی (FCM)، 6769 داده جهت آموزش سیستم استفاده شده است. نتایج نشان‌دهنده‌ی دقت بیشتر FCM نسبت به روش دیگر می‌باشد. جهت اعتبارسنجی و تست مدل هوشمند پیشنهادی، معیارهای محاسبه خطا جهت 2257 داده‌ی تست مورد استفاده قرار گرفت. نتایج حاصل از بررسی همبستگی مدل، نشان‌دهنده‌ی وجود دقت بسیار بالا در مدل هوشمند پیشنهادی است.

کلیدواژه‌ها


عنوان مقاله [English]

An intelligent Adaptive Neuro-Fuzzy Inference System to Estimate the Behavior factor of EBF steel frames under Pulse-type Near-fault Earthquakes

نویسندگان [English]

  • Seyed Abdonnabi Razavi 1
  • Navid Siahpolo 2
  • Mehdi Mahdavi Adeli 1
1 Department of Civil Engineering, Islamic Azad University, Ahvaz branch, Ahvaz, Iran
2 Department of Civil Engineering, Khouzestan Institute for Higher Education ACECRm Iran.
چکیده [English]

One of the most important effective parameters in earthquake, is behavior factor, which is depends on various factors such as structural geometric properties, structure ductility (performance level), fundamental period of the structure, damping, soil properties, earthquake characteristics (near- or far- field) and effect of higher modes. The most important feature of the behavior factor is that it allows the structural designer, to be able to evaluate the structural seismic demand, using an elastic analysis, based on force-based principles quickly. In seismic codes such as the Standard 2800, this coefficient is merely dependent on the type of lateral resistance system and is introduced with a fixed number. However, there is a relationship between the behavior factor, ductility (performance level), structural geometric properties, and type of earthquake (near fault and far fault). The purpose of this paper is to establish an accurate intelligent model related to the geometrical characteristics of the structure, performance level and the behavior factor in eccentrically steel frames, under earthquakes near-fault. For this purpose, genetic algorithm is used. Initially a wide database consisting of 12960 data with 3-, 6-, 9-, 12-, 15- and 20- stories, 3 column stiffness types, and 3 brace slenderness types were designed, and analyzed under 20 pulse-type near-fault earthquakes for 4 different performance levels. To generate the proposed model, 6769 training data were used in the form of adaptive-neural fuzzy inference system (ANFIS). Subtractive clustering and Fuzzy C-Mean clustering (FCM) methods have been used to generate the purposed model. The results showed that Fuzzy C-Mean clustering provides more accurate results than the other fuzzy inference system (FIS). To validate the proposed model, 2257 test data were used to calculate the mean squared error of the model. The results of correlation analysis of the proposed model show that the proposed intelligent model has high accuracy.

کلیدواژه‌ها [English]

  • Intelligent model
  • Adaptive-neural fuzzy inference system
  • Behavior factor
  • Eccentric braced frame
  • Pulse-type near-fault earthquake