خلاصه
طیف پاسخ کف یک عنصر ضروری در طراحی اجزای غیرسازه ای (NSC) در هنگام زلزله است. با این حال، بیشتر رویکردهای موجود برای تخمین طیف پاسخ طبقه شامل کار مدلسازی پیچیده، نیاز به منابع محاسباتی فشرده و فاقد قابلیت تعمیم است. برای پرداختن به این محدودیتها، این مقاله یک روش جدید مبتنی بر یادگیری عمیق را برای ارائه یک برآورد کلی از طیفهای پاسخ کف غیرخطی، که از یک شبکه حافظه کوتاهمدت کانولوشن دو طرفه با مکانیزم توجه (ACN-BiLSTM) و تشکیل شده است، پیشنهاد میکند. یک شبکه رگرسیون باقیمانده عمیق (DRRNet). ACN-BiLSTM از پیچیدگی یک بعدی برای استخراج ویژگی های انتزاعی بالابعدی طیف حرکت زمین در هر دوره استفاده می کند. مکانیسم توجه و پنجره زمانی کشویی چند مقیاسی برای بهبود سرعت همگرایی شبکه و دقت پیشبینی استفاده میشود. DRRNet از پیچیدگی عمیق یک بعدی برای ایجاد یک اتصال میانبر باقیمانده استفاده می کند، که رابطه متناسب بین طیف پاسخ طبقه را در ارتفاعات مختلف ارائه می دهد. با ورودی طیف شتاب حرکت زمین و ویژگیهای ساختاری، روش پیشنهادی میتواند طیف پاسخ شتاب غیرخطی طبقه را در هر طبقه از ساختمان تخمین بزند. برای نشان دادن کارایی آن، رویکرد پیشنهادی به مجموعه دادهای اعمال میشود که شامل طیفهای پاسخ طبقه 56 ساختمان تحت 195 حرکت زمین است. نتایج کاربرد نشان می دهد که روش پیشنهادی می تواند به طور موثر و قابل اعتماد طیف پاسخ شتاب غیرخطی را با دقت 97.29٪ پیش بینی کند.
معرفی
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).
قطعات بخش
مفهوم و چارچوب روش شناسی
رکوردهای حرکت زمین و خواص دینامیکی سازه ها (به عنوان مثال، دوره های مدال) دو منبع اصلی هستند که بر شکل FRS تأثیر می گذارند. به طور خاص، رکوردهای حرکت زمین تأثیراتی را بر FRS در محدوده دوره مشخصه طیف حرکت زمین مربوطه (GMS) تحمیل می کند. دوره های مودال به دلیل اثر رزونانس بر قله های منحنی FRS تسلط دارند. شکل 1 نمونه هایی از FRS را در دو ساختمان مختلف تحت دو GMS نشان می دهد. اوج FRS در دوره های بنیادی مشاهده می شود
نمونه های ساختمان و سوابق حرکت زمین
مجموعه داده FRS شامل 56 ساختمان با هندسه و خواص دینامیکی متفاوت است. این ساختمان ها در واقع در منطقه شهری شهر گوانگژو چین قرار داشتند که در آن استحکامات لرزه ای VII مطابق با GB 50010-2010 [29] لازم است در طراحی این سازه های ساختمانی اجرا شود. هندسه و ویژگی های ساختاری 56 ساختمان، همانطور که در ضمیمه A ذکر شده است، بر اساس مجموعه داده های موجود سیستم اطلاعات جغرافیایی (GIS) برآورد شده است. این
تنظیم پارامتر مدل
برای ایجاد تعادل بین آموزش مدل و ارزیابی عملکرد، کل مجموعه داده به طور تصادفی تقسیم می شود به طوری که 80٪ از داده ها برای آموزش مدل و بقیه برای ارزیابی استفاده می شود. فراپارامترهای مدل به دقت از طریق اعتبارسنجی متقاطع 5 برابر تنظیم می شوند. نرخ یادگیری اولیه به صورت 0.001 تنظیم شده است، و استراتژی کاهش نرخ یادگیری [39] برای اطمینان از همگرایی آموزش مدل اتخاذ شده است. الگوریتم بهینه سازی به صورت Adam تنظیم شده است. نسبت مقیاس به عنوان دو برای
نتیجه
طیف پاسخ کف در طراحی لرزه ای اجزا و تجهیزات غیرسازه ای حیاتی است. این مطالعه یک روش جدید برای پیشبینی طیف پاسخ طبقه بر اساس تکنیکهای یادگیری عمیق پیشنهاد کرد. مدل ACN-BiLSTM برای پیشبینی طیف پاسخ کف در طبقه بالای ساختمان با ورودی طیف حرکت زمین با مهر زمانی توسعه یافته است. متعاقباً، مدل DRRNet برای ایجاد رابطه بین FRS در داستان بالا و موارد دیگر ایجاد میشود.
دیدگاه خود را بنویسید