یک رویکرد LSTM-DRRNet سازگار برای پیش‌بینی طیف پاسخ شتاب طبقه

همانطور که مفهوم طراحی سازه مبتنی بر عملکرد به طور فزاینده ای محبوب و ضروری در صنعت و دانشگاه می شود، طراحی، تجزیه و تحلیل و حفاظت اجزای غیر سازه ای (NSC) توجه مهندسان و محققان را به خود جلب کرده است. بر اساس کمیت فیزیکی غالب، NSC به گروه‌های حساس به شتاب، حساس به سرعت و حساس به جابجایی تقسیم می‌شود [1]. در بیشتر موارد، NSC حساس به شتاب به اجزای ساختاری متصل یا متصل است و به شدت تحت تأثیر حرکات کف قرار می گیرد. طیف پاسخ کف (FRS) به طور گسترده ای در فرآیند طراحی برای تعیین تقاضای لرزه ای NSC های حساس به شتاب استفاده می شود. مطالعات قابل توجهی برای برآورد نیازهای لرزه ای NSC ها انجام شده است. FRS استنباط شده از ساختمان های ابزار دقیق در مطالعات قبلی مورد بررسی قرار گرفت (به عنوان مثال، [2]، [3]). با این حال، سالاری و همکاران. [4] اشاره کرد که داده‌های ثبت‌شده در نمایش پاسخ ساختاری غیرکشسانی شکست خورده و FRS بر اساس پاسخ‌های غیرخطی قاب خمشی منطبق با کد و ساختمان‌های قاب مهاربندی متحدالمرکز مورد بررسی قرار گرفت. به طور مشابه، برخی از محققین (به عنوان مثال، پترون و همکاران [5] و اوروپزا و همکاران [6]) شناسایی کردند که رفتارهای ساختاری غیرخطی تأثیر قابل توجهی بر FRS ساختمان‌های قاب خمشی دارند. علاوه بر این، Ruggieri و Vukobratović [7] به این نتیجه رسیدند که انعطاف پذیری دیافراگم بر FRS تأثیر دارد. عوامل تأثیرگذار FRS به طور جامع توسط وانگ و همکاران بررسی شد. [8]. [4] اشاره کرد که داده‌های ثبت‌شده در نمایش پاسخ ساختاری غیرکشسانی شکست خورده و FRS بر اساس پاسخ‌های غیرخطی قاب خمشی منطبق با کد و ساختمان‌های قاب مهاربندی متحدالمرکز مورد بررسی قرار گرفت. به طور مشابه، برخی از محققین (به عنوان مثال، پترون و همکاران [5] و اوروپزا و همکاران [6]) شناسایی کردند که رفتارهای ساختاری غیرخطی تأثیر قابل توجهی بر FRS ساختمان‌های قاب خمشی دارند. علاوه بر این، Ruggieri و Vukobratović [7] به این نتیجه رسیدند که انعطاف پذیری دیافراگم بر FRS تأثیر دارد. عوامل تأثیرگذار FRS به طور جامع توسط وانگ و همکاران بررسی شد. [8]. [4] اشاره کرد که داده‌های ثبت‌شده در نمایش پاسخ ساختاری غیرکشسانی شکست خورده و FRS بر اساس پاسخ‌های غیرخطی قاب خمشی منطبق با کد و ساختمان‌های قاب مهاربندی متحدالمرکز مورد بررسی قرار گرفت. به طور مشابه، برخی از محققین (به عنوان مثال، پترون و همکاران [5] و اوروپزا و همکاران [6]) شناسایی کردند که رفتارهای ساختاری غیرخطی تأثیر قابل توجهی بر FRS ساختمان‌های قاب خمشی دارند. علاوه بر این، Ruggieri و Vukobratović [7] به این نتیجه رسیدند که انعطاف پذیری دیافراگم بر FRS تأثیر دارد. عوامل تأثیرگذار FRS به طور جامع توسط وانگ و همکاران بررسی شد. [8]. Ruggieri و Vukobratović [7] به این نتیجه رسیدند که انعطاف پذیری دیافراگم بر FRS تأثیر دارد. عوامل تأثیرگذار FRS به طور جامع توسط وانگ و همکاران بررسی شد. [8]. Ruggieri و Vukobratović [7] به این نتیجه رسیدند که انعطاف پذیری دیافراگم بر FRS تأثیر دارد. عوامل تأثیرگذار FRS به طور جامع توسط وانگ و همکاران بررسی شد. [8].

رویکردهای تخمین FRS در گذشته به طور گسترده مورد مطالعه قرار گرفته است. تحلیل‌های تاریخچه پاسخ (RHA) و روش‌های مستقیم طیف به طیف رایج‌ترین روش‌هایی هستند که برای تخمین FRS استفاده می‌شوند. در حالی که روش اول به طور گسترده ای به عنوان قوی ترین روش پذیرفته شده است و در کدهای طراحی مدرن مشخص شده است (به عنوان مثال، ASCE-7 [9]، Eurocode 8 [10])، به منابع محاسباتی فشرده و تلاش قابل توجه مرتبط با جزئیات مبتنی بر فیزیک نیاز دارد. مدل سازی و تحلیل بر اساس این ملاحظات، روش طیف به طیف معمولاً ترجیح داده می‌شود زیرا تخمین FRS را صرفاً بر اساس طیف حرکت زمین و ویژگی‌های ساختاری (به عنوان مثال، دوره‌های مودال، شکل مودال، و نسبت‌های مشارکت مودال) ارائه می‌دهد. مطالعات زیادی برای توسعه، پیشرفت و بهبود روش طیف به طیف انجام شده است. به طور خاص، سینگ [11] ابتدا روش طیف به طیف را معرفی کرد و مورد رزونانسی را زمانی که NSC و ساختار پشتیبان دارای فرکانس طبیعی نزدیک هستند، مورد مطالعه قرار داد. این روش اصلی برای سناریویی که NSC به طور بالقوه در رزونانس با حالت‌های ساختاری متعدد است، اعمال نمی‌شود. در نتیجه، بسیاری از محققان بعدی سعی کردند این روش را تقویت کنند. به عنوان مثال، جیانگ و همکاران. [12] روش تخمین FRS را برای توضیح ساختارهای پیچیده با حالت‌های نزدیک به هم تطبیق داد و طیف پاسخ t [13] را برای رسیدگی به حالت تنظیم و رزونانس اتخاذ کرد. عبارات تجربی برای پیش بینی طیف کف سیستم های SDOF و MDOF توسط سالیوان و همکاران توسعه داده شد. [14]، [15]. متعاقباً آنها توسط مرینو و همکاران بهبود یافتند. [16] برای برآورد بهتر FRS برای ساختمان‌های تحت شدت لرزه‌ای کم و متوسط. به همین ترتیب، Vukobratović و Fajfar [17] یک روش تمرین گرا بر اساس ضرایب تقویت رگرسیون در ناحیه رزونانس پیشنهاد کردند و نشان دادند که این روش می تواند تقریب های مناسبی برای FRS سازه های الاستیک و غیر الاستیک ارائه دهد. چنین روشی سپس توسط شانگ و همکاران اصلاح شد. [18] و پیش‌بینی‌های بهتر FRS برای هر دو ناحیه رزونانس و رزونانس NSCs به دست آمد.

یکی از موضوعات مشترک در میان مطالعات فوق این است که همه آنها ریشه در اصول بنیادی مکانیک یا دینامیک سازه دارند. برخی صرفاً به فیزیک متکی هستند، در حالی که برخی دیگر شامل یادگیری آماری هستند، مانند میانگین‌گیری تقاضا برای مجموعه‌ای از حرکات زمینی سازگار با طیف هدف یا استخراج معادلات تجربی بر اساس مجموعه داده‌ای از تقاضاهای لرزه‌ای شبیه‌سازی شده. جزء یادگیری آماری این روش ها را می توان با الگوریتم های جدیدتر یادگیری ماشین جایگزین کرد و بنابراین به طور بالقوه عملکرد و استحکام کل روش را افزایش داد. در واقع، یادگیری ماشین به طور گسترده در حوزه مهندسی زلزله برای کاهش بار محاسباتی، اجتناب از کار فشرده، یا حتی نادیده گرفتن مدل‌سازی مبتنی بر فیزیک پیچیده به کار گرفته شده است [19]، [20]. این کاربردها شامل پیش‌بینی پاسخ ساختاری است (به عنوان مثال، [21]). تعیین پارامترهای ورودی شبیه سازی های مبتنی بر فیزیک (به عنوان مثال، [22]). بازیابی اطلاعات از تصاویر یا متون (به عنوان مثال، [23]). و انجام ارزیابی آسیب در سطح منطقه ای (به عنوان مثال، [24]). بررسی کامل برنامه موجود نشان می‌دهد که تکنیک یادگیری ماشین برای کمک به طراحی NSCها به کار گرفته نشده است.

این مقاله با الهام از کاربردهای گسترده تکنیک‌های یادگیری ماشین، یک رویکرد پیش‌بینی FRS مبتنی بر یادگیری عمیق را پیشنهاد می‌کند. در این رویکرد، عناصر مختلف (مانند شبکه حافظه کوتاه‌مدت بلند مدت (LSTM)، مکانیسم توجه، و شبکه رگرسیون باقی‌مانده عمیق (DRRNet)) به‌دقت ادغام شده‌اند و برای تطبیق مناسب با مشکل تخمین FRS سازگار شده‌اند. بقیه این مقاله با معرفی رویکرد تخمین FRS مبتنی بر یادگیری عمیق (بخش 2) شروع می شود. سپس یک مجموعه داده جامع FRS را ارائه می‌کند که از مدل‌سازی ساختاری و شبیه‌سازی‌های غیرخطی بازیابی شده است (بخش 3). متعاقباً اثربخشی رویکرد را از طریق مطالعه موردی ارزیابی می‌کند (بخش 4). و در نهایت بحث و نتیجه گیری را ارائه می کند (بخش 5).