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.