طراحی مبتنی بر جابجایی پسماند احتمالی برای افزایش انعطاف‌پذیری لرزه‌ای

قاب‌های مهاربندی شده با کمانش (BRBFs) در دهه‌های اخیر به دلیل کنترل مؤثر حداکثر تغییر شکل ساختاری محبوبیت پیدا کرده‌اند [1]، [2]، [3]. این عمدتا به رفتار هیسترتیک کامل و پایدار مهاربندهای کمانشدار (BRBs) نسبت داده می شود. با این حال، مطالعات قبلی [4]، [5]، [6] تأیید می‌کنند که BRBFها ممکن است منجر به تغییر شکل باقی‌مانده بزرگ شوند (یعنی رانش بین طبقاتی باقی‌مانده (RID) می‌تواند بزرگ‌تر از 0.5٪ باشد، زمانی که BRBs دچار تغییر شکل پلاستیکی قابل‌توجهی می‌شوند. مک کورمیک و همکاران [7] گزارش کرد که اگر ساختمانها حداکثر RID بزرگتر از 0.5٪ را نشان دهند، انجام اقدامات تعمیر مقرون به صرفه نیست. علاوه بر این، در حالی که تحقیقات اخیر عمدتاً بر ساخت و سازهای جدید سازه های ارتجاعی تمرکز دارند، مقاوم سازی سازه های موجود در حال تبدیل شدن به یک جنبه فزاینده مهم از فعالیت های ساخت و ساز است [8]، [9]. انتظار می رود با متعهد شدن کشورها به کاهش اثرات کربن و مقابله با تغییرات آب و هوایی، حجم ساختمان های موجود افزایش یابد. اهمیت استفاده از ساختمان های موجود برای مقابله با چنین مسائلی را نمی توان نادیده گرفت.

برای کنترل یا حذف تغییر شکل باقیمانده برای سازه های ساختمانی، استراتژی های مختلف خود محوری (SC) مورد بررسی قرار گرفته است [10]، از جمله اتصالات تیر به ستون SC [11]، [12]، [13]، دیوارهای برشی SC [10]. 14، سیستم های تکان دهنده SC [15]، [16]، [17]، [18]، مهاربندهای SC (SCBs) [19]، [20]، [21]، [22]، [23]، [24] ، [25]، [26]، [27]، قاب های مهاربندی شده خودمرکز ترکیبی [28]، قاب های مهاربندی شده غیرمرکز خود محور [29] و غیره. [31]، [32]، [33]، [34]، همه این فناوری‌های SC هیسترزیس پرچم‌دار را به گونه‌ای نشان می‌دهند که نیروی SC را فراهم می‌کند و رانش‌های باقیمانده سازه‌ها را کاهش می‌دهد. هو و همکاران [35]، [36]، [37] مزایای سازه های ساختمانی خود محور را در کاهش تلفات اقتصادی لرزه ای ناشی از آسیب سازه برجسته کردند. با این حال، برخی از مطالعات نشان داده اند که سازه های SC تمایل به واکنش شتاب نامطلوب دارند که به طور قابل توجهی بر عملکرد ساختمان غیر سازه تأثیر می گذارد [38]، [39]، [40]. علاوه بر این، در میان این استراتژی های SC، SCB ها به عنوان یکی از راه حل های کارآمد برای مقاوم سازی سازه های ساختمانی موجود نشان داده شده اند. انواع مختلفی از SCB ها برای بهبود عملکرد قاب های معمولی فولادی مقاوم در برابر خمشی (SMRF) استفاده شده است [41]، [42]، [43]. یافته رایج این است که پاسخ RID SMRF ها با استفاده از SCB کاهش می یابد. ادغام BRBs و SCB به عنوان یک رویکرد مطلوب برای ساخت و سازهای جدید ظاهر شده است، با جامعه اخیراً پتانسیل خود را برای کنترل همزمان پیک رانش بین طبقه (PID)، RID، و شتاب کف اوج (PFA) [44]، [45] کشف کرده است. ]، [46]. با این حال،

در مورد روش‌های طراحی مقاوم‌سازی، به طور سنتی، آنها عمدتاً بر اساس جابجایی‌های اوج هستند [46]، [47]. در نتیجه، فرآیند طراحی تکرار برای برآوردن الزامات جابجایی باقیمانده مورد نیاز است. علاوه بر این، شاخص‌های تقاضای متوسط ​​یا میانه به طور گسترده در روش‌های طراحی قبلی [48] مورد استفاده قرار می‌گیرند، به این معنی که سازه‌های طراحی‌شده دارای سطح اطمینان معینی هستند. به عبارت دیگر، تقاضای لرزه ای سازه ها تحت برخی زمین لرزه های واقعی، تقریباً 50 درصد احتمال دارد که بیشتر از مقدار طراحی باشد [49]، [50]. از این رو، اگر سازه ها مهم باشند، مقادیر میانگین یا میانه تقاضا ممکن است برای هدایت فرآیند طراحی کافی نباشد [51]، [52]. علاوه بر این، مدل هیسترتیک الاستوپلاستیک دوخطی برای مدل‌سازی BRBs در مطالعات قبلی استفاده شده است [45، [53]، [54]، [55]، [56]، که در آن اثر سخت شدن کرنش ایزوتروپیک در نظر گرفته نشد. با این وجود، مشخص شده است که حرکات زمینی پالس‌مانند نزدیک به گسل عموماً تقاضای لرزه‌ای زیادی را القا می‌کنند، که برای بررسی پاسخ‌های لرزه‌ای سازه‌هایی که در معرض چنین زمین‌لرزه‌هایی قرار می‌گیرند، بسیار جالب است [52]، [57].

با الهام از کار اخیر روی روش طراحی مبتنی بر جابجایی باقیمانده توسط Hu و همکاران. [42]، [43]، یک روش احتمالی طراحی مبتنی بر جابجایی باقیمانده (PRDBD) در این مقاله برای ارتقاء BRBF های موجود با استفاده از SCB توسعه داده شده است. تحلیل‌های پارامتریک ابتدا بر روی سیستم‌های تک درجه آزادی (SDOF) انجام می‌شود تا BRBF‌های مقاوم‌سازی‌شده را که در معرض زلزله‌های پالس‌مانند نزدیک به گسل قرار می‌گیرند، که در آن سخت شدن کرنش همسانگرد BRBs در نظر گرفته می‌شود، انجام می‌شود. مدل‌های پیش‌بینی احتمالی برای جابجایی حداکثر و باقیمانده با استفاده از یک الگوریتم یادگیری ماشین شبکه عصبی مصنوعی (ANN) توسعه یافته‌اند. متعاقباً، روش PRDBD پیشنهاد شده است. یک معیار BRBF توسط SCB ها برای نشان دادن اثربخشی PRDBD بهسازی شده است.