منحنی شکنندگی لرزه ای پل بتنی با معیار شکل پذیری ستون و رویکرد شبکه عصبی

نوع مقاله : مقاله پژوهشی

نویسندگان

گروه مهندسی عمران، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران

چکیده

هدف این مطالعه، ارائه منحنی های شکنندگی لرزه ای پل بزرگراهی بر مبنای پیش بینی های مبتنی بر شبکه عصبی است. در سال های اخیر، منحنی های شکنندگی، علاوه بر روشهای تجربی و کارشناسی، اغلب با استفاده از روش تحلیلی تهیه می شود. در این مطالعه،منحنی های شکنندگی لرزه ای پل خمیده افقی بر مبنای پیش بینی های شبکه عصبی و تمرکز بر روی شاخص شکل پذیری ستون بتنی با استفاده از 129رکورد زمین لرزه نشان داده می شود.رکوردهای لرزه ای متناسب با ساختگاه در شدت های لرزه ای مختلف مقیاس شده اند. با انجام 1677 تحلیل دینامیکی غیرخطی در نرم افزار OpenSees، منحنی های تحلیل دینامیکی افزایشی(IDA) ترسیم شد. استخراج ویژگیهای رکوردهای زمین لرزه بعنوان ورودی و شکل پذیری ستونهای بتنی از تحلیل های دینامیکی غیرخطی پل، بعنوان خروجی، متغیرهای مدنظر در ایجاد ساختار شبکه عصبی است. تعیین مجموعه ویژگیهای مختلف رکورد های لرزه ای که بتواند خصوصیات مختلف رکوردها در شدت های لرزه ای مختلف را نشان دهد، معرف آن رکورد لرزه ای در شبکه عصبی است. بدیهی است این مشخصه ها به نحو مطلوبی با خسارت سازه ای مرتبط است. با انتقال مجموعه ویژگی های رکورد های لرز ای متفاوت (ماتریس n×m) به داده هایی با همان ویژگیهای مجموعه ورودی لرزه ای (ماتریس p×m ، p<m)، که از طریق تحلیل عاملی بدست می آید، پیش بینی های شبکه عصبی به منظور تعیین پاسخ های سازه، تلاش محاسباتی را با دقت قابل قبول به مراتب کاهش می دهد.

کلیدواژه‌ها

عنوان مقاله [English]

Development of Seismic Fragility of Concrete Bridge with Column Ductility Measure and Neural Network Approach

نویسندگان [English]

  • K. Karimi-Moridani
  • P. Zarfam
  • M. Ghafory Ashtiany
Department of Structural Engineering, Science and Research Branch, Islamic Azad University, Tehran, Iran
چکیده [English]

The objective of the present research approach based on soft computing (neural network) in the evaluation of seismic fragility of the highway bridge. In addition to the empirical methods and expert’s judgmental, seismic fragility curves are often determined by using analytical method in Structures, recently. The derivation of seismic fragility curves of the horizontal curved bridge based on the neural network with a focus on concrete column ductility measure by using 129 seismic records is performed. Earthquake records have been chosen from the PEER strong motion database and scaled on 0.1g to 1.3g. By using 1677 nonlinear dynamic analysis, incremental dynamic analysis (IDA) curves was drawn. Characteristics of earthquake ground motion as input and extraction of nonlinear dynamic analysis of columns ductility as output, are variables in building the neural network. Feature Extraction different records in different seismic intensity represents a seismic record neural network. Obviously, these characteristics are properly associated with structural damage. By transforming collection features different seismic record (matrix n×m) to the data with the same characteristics of seismic input (matrix p×m, p<m) through factor analysis, Neural network prediction in order to determine the response of structures, computational effort is much reduced with acceptable accuracy.

کلیدواژه‌ها [English]

  • Bridge
  • Curvature Ductility
  • concrete column
  • Neural Network
  • Fragility
  • Statistical Distribution

فایل ها

هم رسانی

ارجاع به این مقاله

آمار