استفاده از شبکه های عصبی مصنوعی در تحلیل مودال پوش اور
پایان نامه
- وزارت علوم، تحقیقات و فناوری - دانشگاه تبریز
- نویسنده امید محمد علیزاده اصل
- استاد راهنما حسین غفارزاده علی حدیدی
- تعداد صفحات: ۱۵ صفحه ی اول
- سال انتشار 1389
چکیده
تخمین تقاضای لرزه ای ساختمان ها در سطوح عملکردی همچون سطح عملکرد تامین ایمنی جانی و جلوگیری از فرو ریزش، نیاز به بررسی رفتار غیر خطی سازه ها دارد. در سال های اخیر روش تحلیل استاتیکی غیر خطی به عنوان یک روش کارا در تعیین رفتار سازه ها معرفی شده است. تحلیل استاتیکی غیر خطی به علت سادگی توانسته است در بسیاری از موارد جایگزین روش های دینامیکی غیر خطی گردد. با این حال این روش در تعیین پاسخ سازه ای خالی از ضعف نبوده و در مواردی ایرادهای جدی بر آن وارد شده است. برای اصلاح ضعف های تحلیل روش استاتیکی غیر خطی روش های مختلفی همچون pushover analysis(mpa) modal وadaptive pushover analysis ارائه شده است. در روش mpa تقاضای لرزه ای در بسط مودال نیروهای موثر زلزله، به وسیله یک تحلیل پوش اور (بار افزون) با به کاربردن توزیع نیروی اینرسی برای هر مود تعیین می شود. از این تحلیل به منظور تخمین پاسخ حداکثر سیستم چند درجه آزادی غیر خطی استفاده می شود و سازه تا رسیدن به تغییر مکان هدف در نقطه کنترل بر اساس توزیع بار جانبی متاثر از مودهای ارتعاشی سازه پوش داده می شود و پاسخ مودال ماکزیمم به دست آمده برای مودهای مختلف با استفاده از یک قانون ترکیب مودال مناسب مانند srss جهت تخمین مقدار ماکزیمم پاسخ کل ترکیب می شوند. استفاده از روش srss که در تحلیل های خطی متداول می باشد، می تواند توام با خطاهای زیادی در تعیین پاسخ غیر خطی سازه ها باشد. در این پژوهش جهت تعیین حداکثر پاسخ کل، به جای روش فوق از الگوی شبکه عصبی مصنوعی استفاده می گردد. با طراحی یک شبکه عصبی چند لایه و استفاده از داده های آموزشی که نتایج تحلیل های مودال پوش اور و تاریخچه زمانی قاب های بتنی با تعداد طبقات مختلف می باشد، شبکه مورد نظر آموزش داده می شود. برای آموزش شبکه از شبکه های چند لایه پرسپترون (mlp) با الگوریتم یادگیری لونبرگ – مارکوارت و با تعداد نرون های متغییر برای لایه میانی استفاده می گردد. جهت بررسی عملکرد شبکه برای داده های ارزیابی، از شبکه عصبی آموزش داده شده، استفاده می شود. در نهایت خروجی به دست آمده از شبکه عصبی مصنوعی و روش srss با خروجی تحلیل تاریخچه زمانی (به عنوان مرجع) در نمودارهائی مورد مقایسه قرار گرفتند که نتایج قابل قبولی مشاهده شد.
منابع مشابه
تحلیل مؤلفه‌های فرهنگ‌سازمانی دانش‌محور با استفاده از شبکه عصبی مصنوعی
این پژوهش به تحلیل مولفه های فرهنگ سازمانی دانش محور به منظور نیل به اثربخشی عملکرد با استفاده از شبکه عصبی مصنوعی می‌پردازد.پژوهش حاضر ازنظر نوع استفاده کاربردی است که با روش آمیخته اکتشافی انجام‌شده است. در تدوین ادبیات پژوهش با استفاده از روش بررسی اسنادی و نتایج حاصل از آن، مصاحبه‌های عمیق حضوری در چندین نوبت با 20 نفر از خبرگان دانشگاهی به عمل آمد. پس از ثبت مصاحبه‌ها، داده‌ها به روش تحلیل...
متن کاملتحلیل پوش اور مودال بر اساس برش طبقه برای سازه های نا منظم در پلان
با توسعه کاربرد تحلیل پوش آور در سال های اخیر روش های پوش آور پیشرفته متعددی با الگوی بار مودال جهت لحاظ کردن اثر مودهای بالاتر پیشنهاد شده است. با اینحال اکثر این روشها برای مدلهای دوبعدی پایه گذاری شده و اثرات پیچش در آنها در نظر گرفته نشده است. اخیر? مطالعات اندکی جهت توسعه کاربرد روش پوش آور بر روی سازه های سه بعدی انجام گرفته است. در این پایان نامه، یک روش جدید پوش آور مودال یکبار اجر ا بر...
15 صفحه اولبررسی رفتار کاهنده چرخه هیسترزیس در تحلیل های غیرخطی (پوش اور) برای قاب های بتنی خمشی ویژه با دیوار برشی
در سالیان اخیر محققین گام‌های مؤثری در بهسازی لرزه‌ای سازه‌ها برداشته‌اند و دیدگاه آنان در فراهم آوردن طرح ایمن از تأمین مقاومت، متوجه عملکرد سازه‌ها گردیده است. روش تحلیل استاتیکی غیرخطی یا بارافزون یکی از روش‌های نوینی است که علاوه بر سرعت بالا و سادگی محاسبات، مورد توجه قرار گرفته است. دستورالعمل بهسازی لرزه‌ای و FEMA356 این روش را مورد توجه قرار داده‌اند. نتیجه این تحلیل تغییر‌مکان هدفی اس...
متن کاملمدلسازی بازده کششی تراکتور با استفاده از شبکه عصبی مصنوعی
در این مطالعه آزمایشهای مزرعهای در شرایط متفاوت عمق شخم، سرعت پیشروی و میزان وزنههای متصل به تراکتور انجام شد. در این تحقیق، عمق شخم در چهار سطح 5، 10، 15 و 20 سانتیمتر، سرعتهای پیشروی در چهار سطح 5/2، 5/3، 5/4 و 5/5 کیلومتر بر ساعت و میزان سنگینکننده نیز در چهار سطح 0، 40، 80 و 120 کیلوگرم قرار گرفت. شبکههای عصبی مدلسازی شده در این تحقیق که به منظور پیشبینی بازده کششی تراکتور مورد اس...
متن کاملتعیین ارزش دارایی‌های نامشهود با استفاده از شبکه عصبی مصنوعی
درک عوامل موثر بر ارزش شرکت برای سرمایه‌گذاران و اعتباردهندگان پیش از اتخاذ تصمیمات سرمایه‌گذاری یا اعطای تسهیلات، امری حیاتی است. از آن‌جایی که اقتصاد دانش‌محور در حال تکامل یافتن است، روش ایجاد ارزش شرکتی از شیوه سنتی مبتنی بر دارایی‌های فیزیکی به دانش نامشهود منتقل شده است. از این‌رو در آینده نه چندان دور، ارزش‌گذاری دارایی‌های نامشهود به موضوع مهمی در اقتصاد مبدل خواهد شد. این مطالعه بر آن ...
متن کاملمنابع من
با ذخیره ی این منبع در منابع من، دسترسی به آن را برای استفاده های بعدی آسان تر کنید
ذخیره در منابع من قبلا به منابع من ذحیره شده{@ msg_add @}
نوع سند: پایان نامه
وزارت علوم، تحقیقات و فناوری - دانشگاه تبریز
میزبانی شده توسط پلتفرم ابری doprax.com
copyright © 2015-2023