پیوندهای مفید
آمار
| تعداد نشریات | 21 |
| تعداد شماره‌ها | 671 |
| تعداد مقالات | 9,774 |
| تعداد مشاهده مقاله | 69,543,027 |
| تعداد دریافت فایل اصل مقاله | 48,657,830 |
تخمین پارامترهای شتاب، سرعت و جابجایی ماکزیمم زمین با استفاده از شبکه عصبی مصنوعی | ||
| مدل سازی در مهندسی | ||
| مقاله 2، دوره 7، شماره 19، دی 1388، صفحه 11-21 اصل مقاله (968.16 K) | ||
| شناسه دیجیتال (DOI): 10.22075/jme.2017.1543 | ||
| نویسندگان | ||
| حسین بخشی* ؛ غلامرضا قدرتی امیری؛ محمد خراسانی؛ محمدرضا فدوی؛ غلامرضا قدرتی امیری؛ محمد علی برخورداری | ||
| تاریخ دریافت: 09 بهمن 1395، تاریخ بازنگری: 02 آذر 1404، تاریخ پذیرش: 09 بهمن 1395 | ||
| چکیده | ||
| به منظور انجام تحلیلهای دینامیکی و همچنین تعیین میزان خطرپذیری در هر منطقه بایستی بتوان پارامترهای زمین‌لرزه احتمالی آن منطقه را تخمین زد. در این مقاله تلاش خواهد شد با استفاده از شبکه عصبی مصنوعی مقادیر شتاب، سرعت و جابجایی ماکزیمم زمین تخمین زده شود. بدین منظور از شبکههای عصبی به عنوان یکی از روشها و تکنیکهای کاربردی هوش مصنوعی در ارائه یک روش محاسباتی سادهتر برای حذف تردیدها و عدم قطعیتها در معادلات کاهندگی موجود استفاده شده است. در الگوریتم آموزشی بکار رفته، متوسط سرعت موج برشی در 30 متر اول لایه زمین، بزرگای زلزله، فاصله منشاء تا محل و عمق کانونی زلزله به عنوان پارامترهای ورودی و مقادیر ماکزیمم شتاب، سرعت و جابجایی به عنوان خروجیهای این شبکهها در نظر گرفته شده است. در این تحقیق از 2880 رکورد زلزله ثبت شده در "پروژه تولید نسل جدید روابط کاهندگی" استفاده شده که بزرگای زلزله در این رکوردها بین 5/4 تا 9/7 ریشتر، فاصلهی ایستگاه ثبت رکورد زلزله تا مرکز زلزله بین 3/2 تا 195 کیلومتر، عمق کانونی زلزله بین 5/0 تا 29 کیلومتر و سرعت متوسط امواج برشی در 30 متر اول لایهی زمین بین 116 تا 2016 متر بر ثانیه میباشد. نتایج بیانگر عملکرد مناسب و مطلوب شبکههای عصبی در تخمین پارامترهای جنبش نیرومند زمین میباشد. | ||
| کلیدواژه‌ها | ||
| پارامترهای جنبش نیرومند؛ روابط کاهندگی؛ سرعت موج برشی؛ زلزله؛ شبکه عصبی مصنوعی؛ شتاب ماکزیمم زمین؛ جابجایی ماکزیمم زمین؛ سرعت ماکزیمم زمین | ||
| عنوان مقاله [English] | ||
| ESTIMATION OF PEAK GROUND ACCELERATION, VELOCITY AND DISPLACEMENT USING ARTIFICIAL NEURAL NETWORK | ||
| نویسندگان [English] | ||
| Bakhshi؛ Ghodrati Amiri؛ Khorasani؛ Fadavi؛ Ghodrati Amiri؛ Barkhordari | ||
| چکیده [English] | ||
| Dynamic analyses require many seismic data such as design acceleration and spectra of the site and earthquake records. This paper aims to predict peak ground acceleration, speed, and displacement using Artificial Neural Network (ANN). The proposed method of estimating PGA, PGV and PGD from earthquake parameters via a neural network has been applied to the database of the Next Generation Attenuation (NGA) project which includes 1950 recorded earthquake accelerograms classified into three sets according to the faulting mechanism for the training of the neural networks. The number of earthquake accelerograms for each mechanism (the strike-slip, reverse and reverse-oblique) is 650. Earthquake records have moment magnitudes between 4.5 and 7.9 Richter, distances from the recording site to epicentre ranging from 2.3 to 195 kilometres, hypocenter depths between 0.5 to 29 kilometres, and average shear-wave velocities in the top 30m ranging from 116 to 2016 m/sec. In the selected learning algorithm, the average speed of the shear wave in the top 30 metres, focal depth, magnitude and distance to source are the input variables, and Peak Ground Acceleration, Velocity and Displacement (PGA, PGV and PGD) values are used as output. Close match between the predicted values of the deployed method with the observed values and its ability to reduce or even eliminate the uncertainties in the attenuation relationships show that this method can be used as a reliable method for predicting the main parameters of strong ground motions. The results indicate successful performance for the artificial neural network algorithm in predicting the expected results. | ||
| کلیدواژه‌ها [English] | ||
| Earthquake Parameters, Neural Network, Attenuation relationship, Peak Ground Acceleration, Average Shear-Wave Velocities | ||
|
آمار تعداد مشاهده مقاله: 1,840 تعداد دریافت فایل اصل مقاله: 786 |
||