روش تحلیل شکنندگی لرزه ای کارآمد با استفاده از خوشه بندی

برآورد قابل اعتماد و سریع شکنندگی سازه در معرض تحریک لرزه ای به یکی از ضروری ترین جنبه ها در مهندسی عمران تبدیل شده است، نه تنها برای مسائل ارزیابی و مدیریت خطر زلزله. منحنی شکنندگی به عنوان احتمال مشروط تعریف می‌شود که میزان آسیب (DM) یک سازه مورد نظر با توجه به اندازه‌گیری شدت حرکت زمین (IM) به یک سطح آستانه مرتبط با حالت حدی برسد یا از آن فراتر رود. رویکردهای مرسوم برای تخمین DM در تحلیل شکنندگی لرزه‌ای شامل داده‌های تجربی بسیار محدود و شبیه‌سازی عددی گران قیمت با دقت بالا [1]، [2]، [3] است. مدل‌های تجربی اغلب ساده‌سازی‌ها یا ایده‌آلی‌سازی‌های اجتناب‌ناپذیری دارند و دقت بالایی را تنها زمانی ارائه می‌دهند که ساختارهای هدف یا اجزایی که شباهت زیادی به آزمایش‌های اعتبارسنجی دارند (مانند شرایط مرزی، مقیاس، پیکربندی، هندسه، و غیره). از طریق نرم افزار تحلیل عددی با قدرت محاسباتی بسیار زیاد، DM یک سازه را می توان با استفاده از تحلیل تاریخچه زمانی غیرخطی (NLTHA) به طور دقیق تخمین زد [4]. علاوه بر این، عدم قطعیت در حرکات زمین و پارامترهای ساختاری را می توان به راحتی در تحلیل شکنندگی بر اساس تلاش شبیه سازی عددی در نظر گرفت [5]، [6]. لازم به ذکر است که پیش‌بینی رفتار دینامیکی ساختاری پیچیده ممکن است به استفاده از یک مدل شبیه‌سازی بسیار گران قیمت (به عنوان مثال المان محدود سه بعدی) نیاز داشته باشد. عدم قطعیت در حرکات زمین و پارامترهای ساختاری را می توان به راحتی در تحلیل شکنندگی بر اساس تلاش شبیه سازی عددی در نظر گرفت [5]، [6]. لازم به ذکر است که پیش‌بینی رفتار دینامیکی ساختاری پیچیده ممکن است به استفاده از یک مدل شبیه‌سازی بسیار گران قیمت (به عنوان مثال المان محدود سه بعدی) نیاز داشته باشد. عدم قطعیت در حرکات زمین و پارامترهای ساختاری را می توان به راحتی در تحلیل شکنندگی بر اساس تلاش شبیه سازی عددی در نظر گرفت [5]، [6]. لازم به ذکر است که پیش‌بینی رفتار دینامیکی ساختاری پیچیده ممکن است به استفاده از یک مدل شبیه‌سازی بسیار گران قیمت (به عنوان مثال المان محدود سه بعدی) نیاز داشته باشد.

روش‌های موجود برای ایجاد منحنی‌های شکنندگی سازه‌ها به طور کلی در رویکردهای تحلیل ابری [7]، تحلیل چند خطی (MSA) [8]، [9] و تحلیل دینامیکی افزایشی (IDA) [10] گروه‌بندی می‌شوند. در روش تحلیل ابر، یک رگرسیون خطی بین پاسخ لرزه‌ای سازه و IM در فضای لگاریتمی با رکوردهای حرکت زمینی مقیاس‌ناپذیر (GMRs) برای NLTHAها ایجاد می‌شود. اگرچه این روش به تعداد نسبتاً کمی NLTHA نیاز دارد و پیاده‌سازی آن آسان است، اما دقت پیش‌بینی آن ممکن است به دلیل مفروضات نسبتاً محدود (log-linearity و homoscedasticity) در مورد IM حرکت زمین و DM ساختاری ضعیف باشد. در روش MSA، GMR ها به یک مجموعه مشخص از سطوح IM مقیاس می شوند، به طوری که توزیع احتمال DM در هر سطح IM قابل محاسبه است. روش IDA به طور مداوم یک GMR را برای به دست آوردن منحنی IDA گسترش می دهد، که منعکس کننده پاسخ لرزه ای سازه تحت سطوح مختلف IM مربوط به آن GMR است. پس از آن، منحنی های IDA مربوط به همه GMR ها به طور مکرر به دست می آیند. متأسفانه، هر دو رویکرد MSA و IDA، به‌ویژه برای سازه‌های پیچیده، به دلیل NLTHAهای متعدد سازه‌ها با شدت‌های مختلف حرکت زمین که نیاز به اجرا دارند، زمان‌بر هستند. هزینه های محاسباتی زیاد کاربرد را در طراحی مهندسی عمران و مدیریت ریسک یا اولویت بندی محدود می کند. به دلیل NLTHA های متعدد سازه ها با شدت های مختلف حرکت زمین که نیاز به اجرا دارند. هزینه های محاسباتی زیاد کاربرد را در طراحی مهندسی عمران و مدیریت ریسک یا اولویت بندی محدود می کند. به دلیل NLTHA های متعدد سازه ها با شدت های مختلف حرکت زمین که نیاز به اجرا دارند. هزینه های محاسباتی زیاد کاربرد را در طراحی مهندسی عمران و مدیریت ریسک یا اولویت بندی محدود می کند.

چندین تکنیک یادگیری ماشین (ML) مانند ماشین بردار پشتیبان (SVM) [11]، جنگل تصادفی (RF) [12]، تقویت گرادیان شدید (XGBoost) [13] و شبکه عصبی مصنوعی (ANN) [14]، دارای برای پرداختن به مسائل مختلفی مانند طبقه‌بندی حالت شکست و پیش‌بینی مقاومت برشی مرتبط برای اتصالات تیر و ستون بتن مسلح (RC) [15]، طبقه‌بندی عملکرد و پیش‌بینی برای دیوارهای برشی بنایی تقویت‌شده [16]، برآورد سریع وضعیت های آسیب قاب های RC پس از زلزله [17]، و پیش بینی مقاومت برشی برای تیرهای عمیق RC و خواص اساسی سازه های بتنی (مانند حالت شکست، ظرفیت و شکل پذیری) [18]، [19]. به همین ترتیب، این روش‌های ML برای تحلیل شکنندگی لرزه‌ای سازه‌ها نیز به کار گرفته شده‌اند، زیرا استقرار مدل آن‌ها بر یک رویکرد مبتنی بر داده‌ها بدون محدودیت‌های مربوط به مدل‌سازی فیزیکی متکی است. به عنوان مثال، SVM توسط محمودی و Chouinard [20] برای تجزیه و تحلیل شکنندگی لرزه ای پل های بزرگراه معرفی شد. ANN برای ایجاد رابطه بین IMs لرزه‌ای و DMs سازه‌ای برای تحلیل شکنندگی تجهیزات نیروگاه هسته‌ای [21] و قاب‌های مهاربند کمانشی [22] به‌ترتیب مورد استفاده قرار گرفت. Mangalathu و Jeon [4] چارچوبی را برای استخراج منحنی‌های شکنندگی با استفاده از روش‌های RF و راه راه ایجاد کردند و کارایی چارچوب را با استفاده از یک پل بتنی چند دهانه در کالیفرنیا نشان دادند. تقویت تطبیقی ​​و XGBoost برای ارزیابی شکنندگی لرزه ای یک ساختمان با در نظر گرفتن عدم قطعیت های ذاتی در ایده آل سازی های مدل سازه معرفی شدند [23]. اخیرا، وو و دی سارنو [24] از شبکه‌های عصبی پیش‌خور برای تحلیل شکنندگی قاب‌های فولادی موجود با در نظر گرفتن تأثیرات مصالح بنایی استفاده کردند. الگوریتم های مختلف ML برای ارزیابی شکنندگی لرزه ای سازه های RC و فولادی به طور جامع مقایسه شدند [25]، [26]، [27]. این روش‌های سنتی ML دارای مزایای هزینه کم و دقت بالا در پیش‌بینی پاسخ و ارزیابی شکنندگی ساختاری هستند [28]. با این وجود، پیش‌بینی‌های آن‌ها قطعی است، و از این رو قادر به انعکاس عدم قطعیت مربوط به متغیرهای ورودی (مثلاً تحریکات حرکت زمین و ویژگی‌های ساختاری) و عدم قطعیت معرفتی مرتبط با مدل‌سازی نیستند.

یک مدل پیش‌بینی احتمالی را می‌توان با رویکردهای بیزی [29]، [30] یا تقویت گرادیان طبیعی (NGBoost) [31] ایجاد کرد. به جای تولید تخمین نقطه‌ای از هدف پیش‌بینی در روش‌های سنتی ML، مدل احتمالی به تولید توزیع احتمال شرطی برای هر مجموعه از متغیرهای ورودی علاقه‌مند است. رویکردهای بیزی، از جمله رگرسیون خطی بیزی [32] و شبکه های عصبی بیزی [33]، [34]، برای تحلیل شکنندگی لرزه ای سازه استفاده شده است. با این حال، روش‌های بیزی در مورد مدل‌های پیچیده ضعیف عمل می‌کنند، و محاسبه توزیع پسین عموماً به تقریب گران قیمت از طریق نمونه‌برداری مارکوف-زنجیره مونت کارلو نیاز دارد [31]، [35]. علاوه بر موارد فوق، کاربرد روش های بیزی به دلیل نیاز به برخی تخصص های آماری محدود است. NGBoost توسعه‌ای از تقویت گرادیان خارج از جعبه و با عملکرد خوب [36] در پیش‌بینی احتمالی است. در حالی که از NGBoost برای پیش‌بینی عملکرد سازه استفاده شده است [35]، [37]، اما برای تجزیه و تحلیل شکنندگی لرزه‌ای، با بهترین دانش نویسندگان استفاده نشده است.

در ارزیابی شکنندگی لرزه ای مبتنی بر جانشین، انتخاب GMR های محدود برای محاسبه کامل عدم قطعیت حرکت زمین، یک پیشرفت قابل توجه برای مدل جایگزین است. در حال حاضر، فن‌آوری‌های خوشه‌بندی برای طبقه‌بندی پایگاه‌های اطلاعاتی لرزه‌ای عمومی در منطقه مورد مطالعه و انتخاب زیرمجموعه نماینده‌ای از GMRها پیاده‌سازی شده‌اند [38]، [39]، [40]. با این حال، معیارهای خوشه‌بندی معمولاً بر اساس بزرگی و فاصله منبع، و حرکت زمین IM (مثلاً شتاب اوج زمین ( PGA ) و شتاب طیفی) یا ترکیب‌هایی است که نمی‌توانند تفاوت‌های بین دو GMR را کاملاً تشخیص دهند. یک روش خوشه‌بندی سری زمانی توسط ژانگ و همکاران [41] برای آشکار کردن الگوهای پنهان و ویژگی‌های حرکات زمین برای طبقه‌بندی و انتخاب GMR معرفی شد.

از بررسی فوق، تحلیل شکنندگی لرزه‌ای سازه مبتنی بر ML بیشتر بر اساس پیش‌بینی قطعی است، که نمی‌تواند مستقیماً توزیع پاسخ منعکس کننده عدم قطعیت‌های مربوط به حرکات زمین و خواص سازه را ارائه دهد. با وجود چند مطالعه، از مدل‌های احتمالی ML برای ارزیابی شکنندگی سازه تحت تحریک لرزه‌ای، صرف‌نظر از اثرات نامطلوب بالقوه نمونه‌های GMR ناقص بر پیش‌بینی مدل احتمالی، استفاده کرده‌اند. بر اساس این شکاف‌های تحقیقاتی حیاتی، یک روش برای تحلیل شکنندگی لرزه‌ای سازه‌ها که در آن روش NGBoost با خوشه‌بندی حرکت زمین ترکیب می‌شود، در این مقاله پیشنهاد شده‌است. روش پیشنهادی ابتدا در بخش بعدی توضیح داده شده است. بخش 3 بر روی سری زمانی K-means برای انتخاب GMR های نماینده تمرکز دارد. در حالی که بخش 4 به طور جامع تقویت گرادیان طبیعی را به عنوان یک روش احتمالی ML معرفی می کند. سپس رویکرد پیشنهادی به یک سیستم قاب RC 3 دهانه، 6 طبقه، در بخش 5، که در آن عملکرد روش مورد بحث قرار می‌گیرد، اعمال می‌شود. سخنان پایانی در نهایت در بخش 6 ارائه شده است.