ارزیابی آسیب پذیری سازه های بتنی مجهز به میانقاب مصالح بنایی با کمک شبکه عصبی مصنوعی

به منظور محدود ساختن آسیب های ناشی از زلزله بر سازه ها، تلاشهای بسیاری در تبیین مفهوم آسیب، چگونگی وقوع آن، توزیع خرابی در سازه آسیب دیده و در نهایت ارزیابی کمّی میزان آسیب صورت پذیرفته است. با انجام تحلیلهای تاریخچه زمانی غیر خطی می توان انواع مختلفی از شاخصهای خرابی را محاسبه نمود؛ حال آن که انجام تحلیل های دینامیکی غیرخطی مستلزم صرف زمان و دقت بالایی است. در مطالعه حاضر ضمن انجام بیش از 9000 تحلیل دینامیکی غیر خطی با نرم افزار idarc ، نسبت به تربیت شبکه های عصبی مصنوعی مختـلفی برای برآورد آسیب های لرزه ای وارده به انواع مشخصی از سازه ها اقدام شد. بدین منظور ضمن تهیه نمودن تعداد 156 مدل دو بعدی از سازه های متعارف بتنی کشور با تعداد دهانه ها و طبقات متفاوت، و میزان پوشش مختلفی از دهانه ها توسط میانقابهای آجری، واستفاده از تعداد 10 رکورد زلزله که هر یک به 6 مقدار حداکثر شتاب، مقیاس شده اند ، نسبت به انجام مطالعات پارامتریک اقدام شد. برای تعیین میزان خرابی، شاخص خرابی پارک و انگ مورد نظر قرار گرفت. برای تربیت شبکه های مصنوعی از پارامتر های مختلفی چون تعداد طبقات، تعداد و عرض دهانه ها، تعداد دهانه های پوشیده شده توسط میانقاب مصالح بنایی، مقاومت بتن، نوع خاک ساختگاه و ...، استفاده شده و پس از تربیت شبکه های عصبی با 90 درصد از داده ها، نسبت به کنترل کارایی و دقتِ آنها در تخمین شاخص خرابی با استفاده از10 درصد باقیمانده داده ها اقدام گردید. به منظور دستیابی به دقیقترین شبکه عصبی مصنوعی، دو نوع شبکه grnn و bp با تغذیه ff و 10 نوع الگوریتم آموزشی مختلف مقایسه شده و اثر تعداد لایه ها و تعداد سلول های هر لایه بر دقت و کارایی شبکه مورد بررسی قرار گرفت. حاصل این بررسی ها نشان دهنده آن است که علیرغم سهولت و سرعت استفاده از شبکه های عصبیِ تربیت شده، شاخص های خرابی تخمین زده شده توسط این شبکه ها دارای اعتبار و دقت قابل ملاحظه ای هستند؛ چنانچه می توان برای یک سازه به عنوان پارامتر اولیه قضاوتِ بهسازی و یا برای حجم گسترده ای از سازه ها به عنوان مولفه مدیریت بحرانِ لرزه ای، به نتایج شبکه اعتماد نمود.